一种稀疏图正则化的非负低秩矩阵分解算法
2020-05-01刘国庆卢桂馥
刘国庆,卢桂馥,张 强
(安徽工程大学 计算机与信息学院,安徽 芜湖 241000)
0 引 言
聚类在特征学习和计算机视觉中是一项非常具有挑战的任务,许多聚类方法[1-3]被提出并在很多领域得到了成功应用,如图像分类[4],图像检索[5],图像分割[6],图像索引[7],图像聚类[8]等。然而对于图像聚类任务,一个非常重要的步骤是找到原始数据的有效低维表示。为此,很多研究者做了大量的工作来挖掘原始数据内在结构中的有用信息,使新的数据表示具有更好的识别能力[9-12]。矩阵分解是一类被广泛使用的数据表示技术,有奇异值分解(singular value decomposition,SVD)[13]、矢量量化(vector quantization,VQ)[14]和非负矩阵分解算法(non-negative matrix factorization,NMF)[15]等,NMF也是一种有效的图像表示工具[16]。1999年Lee和Seung在《Nature》杂志上提出NMF方法,以用人脸识别中的基于局部特征提取,该方法使得分解之后的矩阵中的所有元素都是非负的。NMF在心理学和生理学上的构造依据是其对整体的感知是由组成整体的部分感知所构成的,这恰恰也符合人类大脑对事物的直观理解。NMF在模式识别、信息恢复、神经网络、语音识别等很多领域已被广泛应用,且取得了很好的应用效果。
自NMF被提出以来,便得到学者的广泛关注和重视,并对其进行了深入的研究。为了提高NMF算法的识别率和有效性,人们在NMF算法的基础上提出了许多改进的NMF算法。Cai等[17]在标准NMF的基础上提出了图正则非负矩阵分解算法(graph regularized non-negative matrix factorization for data representation,GNMF),该算法针对流形数据,在矩阵分解过程中考虑了数据所携带的几何信息。Hoyer[18]把稀疏编码和标准NMF算法结合……
