基于图正则化和稀疏约束的增量型非负矩阵分解

摘要：

非负矩阵分解(Nonnegative Matrix Factorization,NMF)不仅可以很好地描述数据而且分解后的矩阵具有直观的物理意义.为了提高算法的有效性和识别率,提出了一种更为合理的算法——基于图正则化和稀疏约束的增量型非负矩阵分解(Graph Regularized and Incremental Nonnegative Matrix Factorization with Sparseness Constraints,GINMFSC).该算法既保持了数据的几何结构,又充分利用上一步的分解结果进行增量学习,而且对系数矩阵施加了稀疏性约束,最后将它们整合于单个目标函数中,构造了一个有效的更新算法.在多个数据库上的仿真结果表明,相对于NMF,GNMF,INMF,IGNMF等算法,GINMFSC算法在降低运算时间的同时,还具有更好的聚类精度和稀疏性.

关键词：非负矩阵分解、图正则、稀疏约束、增量学习

所属期刊栏目：44

分类号：TP37(计算技术、计算机技术)

资助基金：国家自然科学基金61272214,61472059

在线出版日期：2017-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：298-305