非負局部協(xié)調(diào)分解算法研究及其應用.pdf

1、非負矩陣分解(Non-negative Matrix Factorization, NMF)是常用的矩陣分解技術(shù)，已應用于數(shù)據(jù)挖掘領(lǐng)域。NMF的非負性約束可帶來基于部分的表達，但在實際應用中不能保證這點。非負局部協(xié)調(diào)分解(Non-negative Local Coordinate Factorization, NLCF)在NMF的目標函數(shù)中添加局部協(xié)調(diào)約束，保證得到的系數(shù)是稀疏的，使得學習到的基向量與樣本數(shù)據(jù)點盡可能接近。得益于稀疏表達

2、，NLCF可對不同數(shù)據(jù)進行特征提取，如文本聚類和圖像識別。因而，研究 NLCF算法能擴展NMF的理論模型，并將其應用到不同的任務中。
　　NLCF已受到研究者的關(guān)注。但它存在下列缺陷：1) NLCF是無監(jiān)督學習方法，忽視了數(shù)據(jù)集中標簽信息，使得聚類性能不明顯；2) NLCF可處理靜態(tài)的數(shù)據(jù)集，不適宜處理流數(shù)據(jù)或者大規(guī)模數(shù)據(jù)集；3) NLCF對噪音和異常值敏感，不能很好地作用于聚類，另外也不能有效地處理非線性分布數(shù)據(jù)。
　　為

3、解決上述不足，本文著力于 NLCF算法研究及其應用。首先，提出半監(jiān)督NLCF(Semi-supervised NLCF, SNLCF)，將有標簽數(shù)據(jù)的標簽傳播給無標簽數(shù)據(jù)，約束無標簽系數(shù)與類標盡可能接近；為使得 NLCF適用于視覺追蹤，提出在線NLCF(Online NLCF, ONLCF)，基于粒子濾波框架運用前一幀學習到的非負基作為目標外觀模板，結(jié)合背景信息獲得最有可能的粒子作為下一幀模板位置；鑒于NLCF無法處理數(shù)據(jù)噪音、忽略數(shù)據(jù)