论文部分内容阅读
非负矩阵分解(NMF)是一种有效的子空间降维方法,凭借其可解释性在人脸识别方面有着较好的应用。而增量式非负矩阵分解(INMF)利用近似的原则将上一步迭代寻优的运算结果参与后续计算,有效改善了NMF算法运算规模随训练样本增多而不断增大的现象。文章提出的改进增量式非负矩阵分解算法(Improved Incremental Non-negative Matrix Factorization)在INMF的基础上进一步利用了新加入样本的类别信息,优化了算法中参与迭代的增量系数向量的初始化值,使目标函数在迭代求解时具