项目名称: 非负矩阵分解中维数约简问题的研究
项目编号: No.61373001
项目类型: 面上项目
立项/批准年度: 2013
项目学科: 自动化技术、计算机技术
项目作者: 赵金熙
作者单位: 南京大学
项目金额: 58万元
中文摘要: 高维非负数据集的特征表示是模式识别、机器学习和图像处理等研究领域的核心课题,非负矩阵分解(NMF)是特征表示和低秩逼近的有效技术。NMF中的维数约简因子r 是直接影响特征表示的重要指标:如r取得过大,就加大计算工作量和存储空间;r取得太小,就丢失有用的信息而影响NMF的逼近效果。但目前几乎所有的NMF类算法都需要事先给定r的值,如何自适应得到r的值就成为NMF中具有挑战性的重要课题。本项目创新性地从讨论和研究数据空间形成的特殊锥(cone)的特性入手,依据我们课题组多年的工作积累,在构造基底矩阵W的同时确定r的值,然后通过解非负约束或非负稀疏约束最小二乘模型,通过最优化方法求得编码矩阵H。提出了改进NMF方法(INMF)和半NMF方法(SNMF)。该算法框架无需事先给定r的值,将问题转化为一个低阶凸问题,避免了NP-hard的困难,计算工作量明显减少,初步模拟结果体现了新算法的有效性
中文关键词: 正交成分分析;数值稳定;维数约简;增量式正交分量分析;神经计算
英文摘要: The feature represents of high demension negative data set is the core task in the field of pattern recognition, machine learning and image processing.Non-negative matrix factorization ( NMF ) is an effective technique for feature representation and low
英文关键词: orthogonal component analysis;numerical stability;dimensionality reduction;ncremental orthogonal component analysis;Neuro computing