计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2014年
8期
241-244
,共4页
子空间降维%稀疏约束%非负矩阵分解%增量学习
子空間降維%稀疏約束%非負矩陣分解%增量學習
자공간강유%희소약속%비부구진분해%증량학습
Subspace dimensionality reduction%Sparseness constraints%Non-negative matrix factorization%Incremental learning
非负矩阵分解(NMF)是一种有效的子空间降维方法.为了改善非负矩阵分解运算规模随训练样本增多而不断增大的现象,同时提高分解后数据的稀疏性,提出了一种稀疏约束下非负矩阵分解的增量学习算法,该算法在稀疏约束的条件下利用前一次分解的结果参与迭代运算,在节省大量运算时间的同时提高了分解后数据的稀疏性.在ORL和CBCL人脸数据库上的实验表明了该算法降维的有效性.
非負矩陣分解(NMF)是一種有效的子空間降維方法.為瞭改善非負矩陣分解運算規模隨訓練樣本增多而不斷增大的現象,同時提高分解後數據的稀疏性,提齣瞭一種稀疏約束下非負矩陣分解的增量學習算法,該算法在稀疏約束的條件下利用前一次分解的結果參與迭代運算,在節省大量運算時間的同時提高瞭分解後數據的稀疏性.在ORL和CBCL人臉數據庫上的實驗錶明瞭該算法降維的有效性.
비부구진분해(NMF)시일충유효적자공간강유방법.위료개선비부구진분해운산규모수훈련양본증다이불단증대적현상,동시제고분해후수거적희소성,제출료일충희소약속하비부구진분해적증량학습산법,해산법재희소약속적조건하이용전일차분해적결과삼여질대운산,재절성대량운산시간적동시제고료분해후수거적희소성.재ORL화CBCL인검수거고상적실험표명료해산법강유적유효성.
