【技术实现步骤摘要】
一种多约束自适应图学习的鲁棒非负矩阵分解方法及系统
[0001]本专利技术涉及非负矩阵分解领域,特别是涉及一种多约束自适应图学习的鲁棒非负矩阵分解方法及系统。
技术介绍
[0002]在数据采集技术和互联网技术飞速发展的信息时代,人们很容易在实际生活中捕获海量且高维的数据。然而,这些高维大数据可能包含大量冗余特征以及噪声信息,给当前大数据挖掘以及数据分析带来巨大的挑战。维数简约是一种有效解决上述问题的方法之一,其旨在通过线性或非线性变换将高维数据映射或者转换为低维数据,从而获得有效的数据信息。在过去的几十年中,许多研究者已经提出了大量维数简约方法,这些方法被用于分类、聚类、异常目标检测、自然语言处理、医学图像处理等领域。由于矩阵分解具有雄厚的数学理论基础和较强的可解释,成为一类主流的维数约简方法。经典的矩阵分解方法包括主成分分析(PCA)、独立成分分析(ICA)、向量量化(VQ)、奇异值分解(SVD)、非负矩阵分解(NMF)、概念分解(CF)等。
[0003]非负矩阵分解(NMF)是一种著名的维数约简方法,也被称为基于成分的特征表示。它将非负矩阵X近似分为两矩阵的乘积X≈AS,其中,A为基矩阵,S为系数矩阵用于表示低维特征。以人脸图像数据为例,NMF可以学习人脸图像的重要部分,如眉毛、眼睛、鼻子和嘴唇。因此,NMF已经成功应用于多个领域,如:模式识别、图像质量评估、社区检测、信息检索和疾病关联预测、图像分析和文本聚类分析等。为了扩大应用范围和提高方法性能,研究人员提出了许多NMF的变种方法。Wang等人将其分为 ...
【技术保护点】
【技术特征摘要】
1.一种多约束自适应图学习的鲁棒非负矩阵分解方法,其特征在于,包括:获取数据集;根据所述数据集,构建基于L
21
‑
范数度量函数的非负矩阵分解模型;根据所述数据集,构建基于低维特征的多约束自适应图学习模型,所述多约束包括稀疏约束和局部约束;基于自适应图结构,构建拉普拉斯图正则化项;根据所述非负矩阵分解模型、多约束自适应图学习模型和拉普拉斯图正则化项,构建多约束自适应图学习的鲁棒非负矩阵分解模型的目标函数;采用迭代优化的方法求解所述目标函数,当迭代次数到达阈值时,输出目标函数的解。2.根据权利要求1所述的多约束自适应图学习的鲁棒非负矩阵分解方法,其特征在于,所述数据集包括但不限于人脸数据图像、饮品属性数据、动物属性数据和疾病数据。3.根据权利要求1所述的多约束自适应图学习的鲁棒非负矩阵分解方法,其特征在于,所述根据所述数据集,构建基于L
21
‑
范数度量函数的非负矩阵分解模型,具体包括:根据所述数据集,构建基于L
21
‑
范数度量函数的非负矩阵分解模型的目标函数:minφ(A,S)=||X
‑
AS||
2,1
s.t.A≥0,S≥0其中,X=[x1,x2,...,x
n
]∈R
m
×
n
表示非负数据矩阵,A=[a1,a2,...,a
k
]∈R
m
×
r
和S=[s1,s2,...,s
n
]∈R
r
×
n
分别表示为基矩阵和系数矩阵,||
·
||
2,1
表示矩阵的L
21
‑
范数;对于任意矩阵Y∈R
m
×
n
,L
21
‑
范数定义为其中Y
i
表示矩阵Y的行向量,根据矩阵属性||Y||
2,1
=tr(Y
T
UY),U∈R
m
×
m
表示对角矩阵,其对角元素为tr(
·
)表示矩阵的迹操作。4.根据权利要求3所述的多约束自适应图学习的鲁棒非负矩阵分解方法,其特征在于,所述根据所述数据集,构建基于低维特征的多约束自适应图学习模型,具体包括:根据所述数据集,构建基于低维特征的自适应图学习模型的目标函数:s.t.W≥0其中,W=[w1,w2,...,w
n
]∈R
n
×
n
为重构系数矩阵,w
i
=[w
i1
,w
i2
,...,w
in
]∈R
n
×1表示第i列向量,其元素w
ij
用于表示低维数据S
i
与S
j
之间连接边的权值,其值越大表示S
i
与S
j
之间的关系越紧密,相似性越大;获取稀疏约束的目标函数:其中,||<...
【专利技术属性】
技术研发人员:易玉根,王建中,王文乐,曹远龙,陈智毅,
申请(专利权)人:江西师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。