计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2012年
36期
194-200
,共7页
杜世强%石玉清%王维兰%马明
杜世彊%石玉清%王維蘭%馬明
두세강%석옥청%왕유란%마명
图像聚类%半监督学习%非负矩阵分解%图正则化
圖像聚類%半鑑督學習%非負矩陣分解%圖正則化
도상취류%반감독학습%비부구진분해%도정칙화
提出了一种基于图正则化的半监督非负矩阵分解算法(GSNMF),克服了非负矩阵分解(NMF)、约束非负矩阵分解(CNMF)和图正则化非负矩阵分解(GNMF)方法忽略样本数据的局部几何结构或标签信息不足的缺陷,且NMF、CNMF和GNMF均为GSNMF的特例.也从理论上证明了GSNMF算法的收敛性.该算法对样本数据进行低维非负分解时,在图框架下既保持数据的几何结构,又利用已知样本的标签信息,在进行半监督学习时,同类样本能更好地聚集而类间距离尽可能大.在人脸数据库ORL、FERET和手写体数据库USPS上的仿真结果表明,相对于NMF及其一些改进算法,GSNMF均具有更高的聚类精度.
提齣瞭一種基于圖正則化的半鑑督非負矩陣分解算法(GSNMF),剋服瞭非負矩陣分解(NMF)、約束非負矩陣分解(CNMF)和圖正則化非負矩陣分解(GNMF)方法忽略樣本數據的跼部幾何結構或標籤信息不足的缺陷,且NMF、CNMF和GNMF均為GSNMF的特例.也從理論上證明瞭GSNMF算法的收斂性.該算法對樣本數據進行低維非負分解時,在圖框架下既保持數據的幾何結構,又利用已知樣本的標籤信息,在進行半鑑督學習時,同類樣本能更好地聚集而類間距離儘可能大.在人臉數據庫ORL、FERET和手寫體數據庫USPS上的倣真結果錶明,相對于NMF及其一些改進算法,GSNMF均具有更高的聚類精度.
제출료일충기우도정칙화적반감독비부구진분해산법(GSNMF),극복료비부구진분해(NMF)、약속비부구진분해(CNMF)화도정칙화비부구진분해(GNMF)방법홀략양본수거적국부궤하결구혹표첨신식불족적결함,차NMF、CNMF화GNMF균위GSNMF적특례.야종이론상증명료GSNMF산법적수렴성.해산법대양본수거진행저유비부분해시,재도광가하기보지수거적궤하결구,우이용이지양본적표첨신식,재진행반감독학습시,동류양본능경호지취집이류간거리진가능대.재인검수거고ORL、FERET화수사체수거고USPS상적방진결과표명,상대우NMF급기일사개진산법,GSNMF균구유경고적취류정도.
