计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
10期
2871-2873
,共3页
非负矩阵分解%稀疏约束%张量分解
非負矩陣分解%稀疏約束%張量分解
비부구진분해%희소약속%장량분해
Non-negative Matrix Factorization (NMF)%sparse constraint%tensor factorization
为了充分利用图像本身的结构信息并充分压缩图像数据,把得到的子空间中数据(反馈)的稀疏性作为约束项加入非负张量分解目标函数中,即采用基于反馈稀疏约束的非负张量分解算法对图像集合进行降维.最后,将该算法应用于手写数字图像库中,实验结果表明所提出的方法能有效改善图像分类的准确性.
為瞭充分利用圖像本身的結構信息併充分壓縮圖像數據,把得到的子空間中數據(反饋)的稀疏性作為約束項加入非負張量分解目標函數中,即採用基于反饋稀疏約束的非負張量分解算法對圖像集閤進行降維.最後,將該算法應用于手寫數字圖像庫中,實驗結果錶明所提齣的方法能有效改善圖像分類的準確性.
위료충분이용도상본신적결구신식병충분압축도상수거,파득도적자공간중수거(반궤)적희소성작위약속항가입비부장량분해목표함수중,즉채용기우반궤희소약속적비부장량분해산법대도상집합진행강유.최후,장해산법응용우수사수자도상고중,실험결과표명소제출적방법능유효개선도상분류적준학성.
