基于图正则化和稀疏约束的增量型非负矩阵分解

• 作者: 姜小燕 孙福明 孙静 蔡希彪
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 非负矩阵分解 图正则 稀疏约束 增量学习
• 年，卷（期）: 2017,（6）
• 所属期刊栏目: 图形图像与模式识别
• 页码范围: 298-305
• 页数: 8页
• 分类号: TP37
• 字数: 8325字
• 语种: 中文
• DOI: 10.11896/j.issn.1002-137X.2017.06.053

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙福明	辽宁工业大学电子与信息工程学院	58	153	6.0	7.0
2	孙静	辽宁工业大学电子与信息工程学院	52	51	5.0	5.0
3	蔡希彪	辽宁工业大学电子与信息工程学院	15	29	2.0	5.0
4	姜小燕	辽宁工业大学电子与信息工程学院	2	10	2.0	2.0