資源描述：
《基于正則化方法的非負矩陣分解算法及其應(yīng)用研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、萬方數(shù)據(jù)博士學(xué)位論文基于正則化方法的非負矩陣分解算法及其應(yīng)用研究作者：葉軍指導(dǎo)教師：金忠教授南京理工大學(xué)2014年09月萬方數(shù)據(jù)Ph．D．DisseIrtationNonnegatiVeMatrixFactoriZationAlgorithmBasedontheRegularizedMethodanditsApplicationsBv娩砌咒S即ewiSion研PyojJ譏ZhongN砌ingUniVersityofScience&1bchnologySepteInber，2014萬方數(shù)據(jù)聲明本學(xué)位論文是我在導(dǎo)師的指導(dǎo)下取得的研究成果，盡我所知，在
2、本學(xué)位論文中，除了加以標(biāo)注和致謝的部分外，不包含其他人已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得任何教育機構(gòu)的學(xué)位或?qū)W歷而使用過的材料。與我一同工作的同事對本學(xué)位論文做出的貢獻均已在論文中作了明確的說明。研究生簽名：劾降年，月3D日學(xué)位論文使用授權(quán)聲明南京理工大學(xué)有權(quán)保存本學(xué)位論文的電子和紙質(zhì)文檔，可以借閱或上網(wǎng)公布本學(xué)位論文的部分或全部內(nèi)容，可以向有關(guān)部門或機構(gòu)送交并授權(quán)其保存、借閱或上網(wǎng)公布本學(xué)位論文的部分或全部內(nèi)容。對于保密論文，按保密的有關(guān)規(guī)定和程序處理。研究生簽名：≯／鏟年9月宣D日萬方數(shù)據(jù)博士學(xué)位論文基于正則化方法的非負矩陣分解算法
3、及其應(yīng)用研究摘要近年來，隨著識別技術(shù)在自然資源分析、天氣預(yù)報、導(dǎo)航、地圖與地形配準(zhǔn)、環(huán)境監(jiān)測等領(lǐng)域的廣泛應(yīng)用，各種理論和方法也被大量應(yīng)用于其中，非負矩陣分解方法作為一種代表性的矩陣分解方法也被受到了廣泛的關(guān)注。非負矩陣分解方法是一種子空間分析方法，其本質(zhì)是一種特征提取和選擇的方法。其基本思想是在樣本空間中尋找合適的子空間，通過將高維樣本投影到低維子空間上，從而在子空間上獲得樣本的本質(zhì)特征，利用這些特征實現(xiàn)分類識別。非負矩陣分解方法作為一項數(shù)據(jù)處理技術(shù)，揭示了數(shù)據(jù)的本質(zhì)，已經(jīng)被廣泛應(yīng)用到人臉檢測與識別、文本分析和聚類等諸多方面的研究中。流形學(xué)習(xí)目前
4、已經(jīng)成為機器學(xué)習(xí)及模式識別等領(lǐng)域的研究熱點之一，其主要目標(biāo)是發(fā)現(xiàn)高維空間數(shù)據(jù)的低維光滑流形?；诹餍螌W(xué)習(xí)的矩陣分解方法是應(yīng)用比較廣泛的一種特征抽取方法。本文通過挖掘數(shù)據(jù)本身固有的幾何結(jié)構(gòu)及利用少量監(jiān)督信息，對基于流形學(xué)習(xí)的矩陣分解算法進行了研究，提出了幾種新的矩陣分解算法，同時在提升分解矩陣稀疏表示能力方面對非負矩陣分解算法作出了一些改進。本文的主要工作和創(chuàng)新成果點集中在以下幾個方面：(1)在基于交替非負最小二乘的非負矩陣分解(ANLS-NMF)算法的框架流程、投影梯度算法的算法結(jié)構(gòu)和非負矩陣下逼近分解(NMI7)算法的基礎(chǔ)上。以減少算法時間復(fù)雜
5、度為目標(biāo)，將投影梯度方法和非負矩陣下逼近分解方法相結(jié)合，提出了基于投影梯度非負矩陣的下逼近分解(PCNMIJ)算法。(2)在基于正交子空間非負矩陣分解0n伍OS)算法的基礎(chǔ)上，考慮分解所得矩陣的稀疏表示能力，引入對分解矩陣的平滑厶范數(shù)約束，提出了基于平滑，n范數(shù)約束的正交子空間非負矩陣分解(NMFOS—SL0)算法。在該算法中，通過對分解矩陣引入平滑fn范數(shù)的約束，使得分解所得矩陣的稀疏性得以增強。(3)在流形正則化的非負矩陣分解(NMF．KNN)算法的基礎(chǔ)上，利用模糊集理論，提出了基于模糊K最近鄰圖的非負矩陣分解mMF—FKNNl算法。在該方法
6、中，首先根據(jù)模糊K最近鄰算法來構(gòu)造類內(nèi)和類間KNN圖，即類內(nèi)模糊KNN圖和類間模糊KNN圖，然后將這兩個圖嵌入至非負矩陣分解的目標(biāo)函數(shù)中，最后通過交替迭代更新規(guī)則來進行求解，并證明了在該交替迭代更新規(guī)則下目標(biāo)函數(shù)的收斂性。H)在概念分解模型框架下，同時考慮了數(shù)據(jù)流形和特征流形的幾何結(jié)構(gòu)，并分別在數(shù)據(jù)空問和特征空間創(chuàng)建兩個近鄰圖來反映它們各自的分布流形結(jié)構(gòu)，提出了一種雙圖正則化的概念分解框架。在此框架下，首先給出了該雙圖正則化的概念分解模型，其次推導(dǎo)了該模型的交替迭代更新規(guī)則，最后證明了在該交替迭代更新規(guī)則下目標(biāo)函數(shù)的收斂性。萬方數(shù)據(jù)摘要博士學(xué)位論
7、文關(guān)鍵詞：特征抽取，非負矩陣分解，概念分解，流形學(xué)習(xí)，人臉識別，文本聚類II萬方數(shù)據(jù)Abstract111recentyears，withthewide印plicationsofrecognitiontecllnologyinnamralresourceaJlaly818，physlol091calch獅ges，wea_therforecast，navigatjon，m印andt∞minmatching，enVlromentalmonltonngandsoon，manyt11eodesandmetllodshavebeenappliedtorec
8、ogIlltlon·Nonneg撕Vema仃ixfactoriz“onisoneoftherepresentativemethodof廿
