论文部分内容阅读
随着社会的发展人们总需要面临大量的信息,要求对信息的处理能力不断提高。因为,高维数据在处理时会面临着很多复杂问题,低维数据在处理时简单的多。所以想找到高维数据与低维数据本质上具有相同的特点。从而面临着高维数据下降为低维数据的问题,就出现了一种新型的降维方法工具流行学习算法,其目标是找到嵌入在高维数据空间的低维流行结构,并得到一个有效的低维表示。等多个领域中,由于所面对的问题不同提出的降维方法也有所不同,其中可以分为线性的降维方法主成分分析方法(PCA)和线性判别分析法(LDA)及非线性降维方法包括核主成分分(KPCA),多维尺度变换(MDS),ISOMAP,局部线性嵌入(LLE),LE,和局部切空间排列(LTSA)等方法。
本文的主要工作是研究非负矩阵分解和局部保留映射,分析了它们的优缺点使高维数据得到更好的应用。NMF是一种近年来常用的降维方法。NMF在图像检索,人脸识别和信号处理等方面得到广泛的应用,其分解后所产生的分量的非负性要求,使数据处理得到很好的效果。NMF在分解过程中未考虑到数据的内在几何性质和局部结构,就存在着不能准确的处理数据的问题。提出一种把NMF与LPP相结合的降维方法。该方法应用在图像检索上,因为LPP能够保留数据的内在几何性质和局部结构,降低影响图像检索的的因素,从而提高了图像检索的效率。
还介绍了NMF的一些改进方法,非负稀疏编码方法(NNSC)大量试验证明NNSC算法对对称自然图像数据进行训练,结果可以收敛到自然图像的基向量。NNSC算法可以成功地提取出自然图像的特征,很大部分的基向量在空间中体现了局部性和方向性,并且反映了图像的边缘特性。基于线性投影结构的NMF(LPBNMF),NMF在分解过程中常遇到瓶颈问题,提取的特征矩阵不稀疏,该方法提高稀疏性,降低了时间。加权的的非负矩阵分解算法(WNMF),提高了重要信息的权重降低了非重要信息的权重,避免了信息冗余。有监督的非负矩阵分解算法(SNMF)引入了LDA思想即保留了NMF局部特征,有改变了LDA的小样本问题。