基于反馈稀疏约束的非负张量分解算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2871-2873.

基于反馈稀疏约束的非负张量分解算法

刘亚楠¹,²,涂铮铮¹,罗斌¹

1. 安徽大学计算机科学与技术学院, 合肥 230039
2. 合肥师范学院计算机科学与技术系,合肥 230601

收稿日期:2013-04-15 修回日期:2013-05-29 发布日期:2013-11-01 出版日期:2013-10-01
通讯作者: 罗斌
作者简介:刘亚楠(1984-)，女，山东济宁人，讲师，博士研究生，主要研究方向：模式识别、图像处理；涂铮铮(1982-)，女，安徽六安人，讲师，博士研究生，主要研究方向：模式识别、图像处理、视频信号处理；罗斌(1963-)，男，安徽合肥人，教授，博士生导师，主要研究方向：模式识别、图像处理。
基金资助:
国家自然科学基金资助项目;高校省级优秀青年人才基金重点资助项目;安徽大学“211”工程创新团队项目

Non-negative tensor factorization based on feedback sparse constraints

LIU Yanan¹,²,XU Zhengzheng²,LUO Bin²

1. Department of Computer Science and Technology, Hefei Normal College, Hefei Anhui 230601, China
2. School of Computer Science and Technology, Anhui University, Hefei Anhui 230039, China;

Received:2013-04-15 Revised:2013-05-29 Online:2013-11-01 Published:2013-10-01
Contact: LUO Bin

摘要/Abstract

摘要： 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

关键词: 非负矩阵分解, 稀疏约束, 张量分解

Abstract: In order to fully use the structural information of the data, and compress the image data, the sparse constraints of the subspace (feedback) were applied to the object function of non-negative tensor factorization. Then this algorithm was used to reduce the dimension of the image sets. Finally, image classification was realized. The experimental results on the handwritten digital image database show that the proposed algorithm can effectively improve the accuracy of the image classification.

Key words: Non-negative Matrix Factorization (NMF), sparse constraint, tensor factorization

中图分类号:

TP391.41

刘亚楠涂铮铮罗斌. 基于反馈稀疏约束的非负张量分解算法[J]. 计算机应用, 2013, 33(10): 2871-2873.

LIU Yanan XU Zhengzheng LUO Bin. Non-negative tensor factorization based on feedback sparse constraints[J]. Journal of Computer Applications, 2013, 33(10): 2871-2873.

[1]	王东炜, 刘柏辰, 韩志, 王艳美, 唐延东. 基于低秩分解和向量量化的深度网络压缩方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 1987-1994.
[2]	任奇泽, 贾洪杰, 陈东宇. 融合局部结构学习的大规模子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3747-3754.
[3]	包永春, 张建臣, 杜守信, 张军军. 基于非负矩阵分解与稀疏表示的多标签分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1375-1382.
[4]	王锦凯, 贾旭. 基于迁移孪生非负矩阵分解的静脉识别算法[J]. 计算机应用, 2021, 41(3): 898-903.
[5]	陈献, 胡丽莹, 林晓炜, 陈黎飞. 基于核非负矩阵分解的有向图聚类算法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3447-3454.
[6]	杜汉, 龙显忠, 李云. 基于图学习正则判别非负矩阵分解的人脸识别[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3455-3461.
[7]	李华, 卢桂馥, 余沁茹. 基于干净数据的流形正则化非负矩阵分解[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3492-3498.
[8]	王锦凯, 贾旭. 基于加权正交约束非负矩阵分解的车脸识别算法[J]. 计算机应用, 2020, 40(4): 1050-1055.
[9]	巩凯强, 张春梅, 曾光华. 卷积神经网络模型剪枝结合张量分解压缩方法[J]. 计算机应用, 2020, 40(11): 3146-3151.
[10]	成其伟, 陈启买, 贺超波, 刘海. 基于改进对称二值非负矩阵分解的重叠社区发现方法[J]. 计算机应用, 2020, 40(11): 3203-3210.
[11]	刘颖, 梁楠楠, 李大湘, 杨凡超. 基于光谱距离聚类的高光谱图像解混算法[J]. 计算机应用, 2019, 39(9): 2541-2546.
[12]	陈善学, 储成泉. 基于稀疏和正交约束非负矩阵分解的高光谱解混[J]. 计算机应用, 2019, 39(8): 2276-2280.
[13]	杨亮东, 杨志霞. 稀疏限制的增量式鲁棒非负矩阵分解及其应用[J]. 计算机应用, 2019, 39(5): 1275-1281.
[14]	余江兰, 李向利, 赵朋飞. 基于核技巧和超图正则的稀疏非负矩阵分解[J]. 计算机应用, 2019, 39(3): 742-749.
[15]	李艳生, 刘园, 张毅. 基于感知掩蔽的重构非负矩阵分解单通道语音增强算法[J]. 计算机应用, 2019, 39(3): 894-898.