首页|学习一致相似度矩阵的图非负矩阵分解

学习一致相似度矩阵的图非负矩阵分解

扫码查看
原文链接
  • 万方数据
  • 维普
非负矩阵分解(NMF)是一种有效的数据降维方法,广泛应用于图像聚类等领域.然而,NMF不能捕获数据固有的几何结构,所以基于图的非负矩阵分解被提出.基于图的算法大多使用K-近邻来构造相似度图.由于数据中的异常值和错误特征,直接构造图是不准确的.针对上述问题,提出了基于学习一致性相似度矩阵的图非负矩阵分解方法.该方法首先通过自适应学习来获得相似度矩阵,然后通过相似度矩阵构造拉普拉斯图正则项,最后将该正则项加入原始的非负矩阵分解模型中.优化了之前直接使用K-近邻构图的弊端,并且能很好地保持数据的几何结构.新提出的算法在USPS、yale、faces以及ORLdata数据集上进行聚类试验并与一些先进算法进行了比较.数值试验结果证明了本文提出的算法性能很好.
Nonnegative matrix decomposition of the learning consistency similarity matrix

李向利、逯喜燕、范学珍

展开 >

桂林电子科技大学数学与计算科学学院,广西桂林541001

广西高校数据分析与计算重点实验室,广西桂林541001

非负矩阵分解 图正则 相似度矩阵 图像聚类

国家自然科学基金国家自然科学基金桂林电子科技大学研究生教育创新项目

11961010619670042021YCXS117

2022

10.13624/j.cnki.issn.1001-7445.2022.0262

广西大学学报(自然科学版)
广西大学

广西大学学报(自然科学版)

CSTPCD北大核心
影响因子：0.767
ISSN：1001-7445
年,卷(期)：2022.47(1)
  • 1
  • 20