一种基于混合矩阵分解的深度鲁棒非负矩阵分解方法技术

本发明专利技术涉及图像识别领域，具体为一种基于混合矩阵分解的深度鲁棒非负矩阵分解方法。与传统的特征提取模型训练方法不同，本发明专利技术采用分解混合矩阵W和添加非线性激活函数的学习方法完成特征提取，并应用于图像识别中。作为一种深度鲁棒非负矩阵分解方法，W‑Based DRNMF算法的目标识别准确率随着样本数目的增加呈单调递增，成功解决了传统深度非负矩阵分解识别率随层数增加而下降的问题，且最终识别准确率达到了94.74％。结果表明，此算法具有高鲁棒性、高泛化能力，并且保持了模型稳定性。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，尤其涉及一种基于混合矩阵分解的深度鲁棒非负矩阵分解方法。基于混合矩阵分解的深度鲁棒非负矩阵分解。本专利技术解决了深度非负矩阵分解方法识别精度随层数增加而下降的问题。

技术介绍

1、自动目标识别是一种对图像目标进行自动检测和识别的过程。这种技术广泛的应用于各种领域，包括安防监控、自动驾驶、医学影像分析、工业生产等。然而直接将原始数据应用于目标识别算法可能会面临模型识别性能低和计算资源的浪费等问题，因此特征提取成为了自动目标识别任务中的关键步骤。

2、在当今自动目标识别领域，图像数据普遍呈现出非负特性，即像素值范围通常限定在0至255之间。这一特性使得大多数现有的特征提取算法面临可解释性低下的问题。非负矩阵分解(nmf)作为一种专门处理非负数据的矩阵分解方法，在此类应用中展现出了显著的优势。nmf通过将非负图像数据矩阵分解为两个非负矩阵的乘积，不仅能够保持数据的非负性质，还能有效揭示其潜在的结构和特征。然而，尽管nmf在处理非负图像数据方面具备显著优势，但单层nmf在处理复杂图像数据时往往因表达能力有限而难以充分捕捉数据本文档来自技高网...

【技术保护点】

1.一种基于混合矩阵分解的深度鲁棒非负矩阵分解方法，其特征在于,包括：

2.根据权利要求1所述的方法，其特征在于，其微调策略为：所述步骤2在完成第k层更新后，需要计算Hk,Hk-1,…,H1的乘积，即：

3.根据权利要求1所述的方法，其特征在于，其最后一层混合矩阵微调策略为：所述步骤2在求解出最后一层激活后的混合矩阵后，需要将最后一层激活后的混合矩阵单独代入鲁棒非负矩阵分解算法迭代150次数，以减小最后一层激活后的混合矩阵中噪声对模型性能带来的影响。

【技术特征摘要】

1.一种基于混合矩阵分解的深度鲁棒非负矩阵分解方法，其特征在于,包括：

2.根据权利要求1所述的方法，其特征在于，其微调策略为：所述步骤2在完成第k层更新后，需要计算hk,hk-1,…,h1的乘积，即：

3.根据权利...

【专利技术属性】
技术研发人员：曹昌杰，张运宏，李欣芮，孟祥硕，周思瑶，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：