论文部分内容阅读
针对非负矩阵分解方法在有噪声的真实数据中获得特征的有效性问题,提出了一种稀疏诱导的流形正则化凸非负矩阵分解算法。所提算法在流形正则化的基础上,向低维子空间的基矩阵添加基于L_(2,1)范数的稀疏约束,构建了乘法更新规则,分析在该规则下算法的收敛性,并设计了在低维子空间上不同噪声环境下的聚类实验。K均值聚类实验结果表明,稀疏约束降低了噪声特征在学习中的表达能力,所提算法在不同程度上优于同类8种算法,对噪声有更强的稳健性。