专利名称：一种流行正则和鉴别信息最大化的非负矩阵分解方法
一种流行正则和鉴别信息最大化的非负矩阵分解方法
技术领域：
本发明涉及数据表示，具体涉及流行正则和鉴别信息最大化的非负矩阵分解方法。
背景技术：
非负矩阵分解(NMF)是一种常用的矩阵分解方法，它是将矩阵分解为两个非负矩阵的乘积形式，非负矩阵分解因为只能进行纯加性的组合运算，所以常被解释成是一种基于部分的数据表示方法，这与常用的奇异值分解、主成份分析和独立成份分析完全不同。目前，非负矩阵分解在计算视觉、模式识别和文本挖掘等方面获得了巨大应用，特别是在人脸识别、文本表示方面。
许多学者对非负矩阵分解方法进行了深入研究，提出了多种改进的非负矩阵分解方法，如半非负矩阵分解(Sem1-NMF)、凸非负矩阵分解(Convex-NMF)和图正则的非负矩阵分解(GNMF)等。图正则的非负矩阵分解方法将数据矩阵分解为基向量和对应编码向量乘积，认为编码向量是数据集在基向量下的一种数据表示，进而引入一正则项使得编码向量保持数据潜在的流行结构，最终获得了较好的效果。实际上，基向量中包含了类间的重要信息，这对分类和聚类等机器学习任务起着重要的作用，但这些信息如何在非负矩阵分解中获得利用却是未知，此外，基向量中的类间信息引入到图正则的非负矩阵分解方法，对其将是一种有益的补充，这些都需要人们去研究。
发明内容本发明的目的是在非负矩阵分解时利用基向量中的类间重要信息，同时保持数据潜在的流行结构，提供一种流行正则和鉴别信息最大化的非负矩阵分解方法，使得本发明所获得的编码向量具有更好的数据表示能力。为实现上述目的，本发明提出了一种流行正则和鉴别信息最大化的非负矩阵分解方法，包含如下步骤A):首先计算数据集X = [X1, A，χΝ]的P近邻权矩阵W,计算方法为
权利要求
1. 一种流行正则和鉴别信息最大化的非负矩阵分解方法，其特征在于包含如下步骤A):首先计算数据集X=Iix1, A，χΝ]的P近邻权矩阵W,计算方法为
2.如权利要求1所述的一种流行正则和鉴别信息最大化的非负矩阵分解方法，其特征在于所述C)步骤中计算M矩阵的步骤包括O首先设定基向量矩阵U = [^.]e )v中各个列向量uk在某种程度上代表了各类中2)然后将类间信息表示为
3.如权利要求1所述的一种流行正则和鉴别信息最大化的非负矩阵分解方法，其特征在于所述D)步骤中基向量矩阵 =和编码向量矩阵V = [ViJeiTI勺迭代公式计算求解步骤包括1)利用编码向量矩阵^的第j行向量构造一列向量，记为Zj=[vjk，A,vJk]τ，则h是Xi在基U下的一种表示，因此可通过最小式8来保持数据的流行结构，
4.如权利要求1所述的一种流行正则和鉴别信息最大化的非负矩阵分解方法，其特征在于所述D)步骤中λ =100, λ 2=500ο
全文摘要
本发明公开了一种流行正则和鉴别信息最大化的非负矩阵分解方法，包括计算数据集X=[x1,Λ,xN]的p近邻权矩阵W；然后根据A)步骤中所得的p近邻权矩阵W，计算拉普拉斯矩阵L＝D-W，所述D为对角矩阵且计算M矩阵；通过迭代规则计算基向量矩阵和编码向量矩阵四个主要步骤。本发明方法的优势在于在进行非负矩阵分解时，本发明利用流行正则项保持数据潜在流行结构的同时，最大化基向量中的类间重要鉴别信息，从而使得分解后得到的编码向量更具数据表示能力。
文档编号G06F17/16GK103020017SQ20121052811
公开日2013年4月3日 申请日期2012年12月5日 优先权日2012年12月5日
发明者蒋云良, 胡文军, 王娟, 王培良, 顾永跟 申请人:湖州师范学院