摘要: 摘 要: 基于部分表示的非负矩阵分解技术及其变体在信息检索、计算机视觉和模式识别等领域得到了广泛的应用。其中最具有代表性的是基于图正则非负矩阵分解算法,它充分利用了高维数据通常位于一个低维流形空间的假设从而构造拉普拉斯矩阵。然而,基于图正则非负矩阵分解的缺点是构造出的拉普拉斯矩阵是提前计算得到的,并没有在乘性更新过程中对它进行迭代。为了解决这个问题,本文结合子空间学习中的自表示方法生成表示系数,并进一步计算相似性矩阵从而得到拉普拉斯矩阵,在更新过程中对拉普拉斯矩阵进行迭代。另外,利用训练集的标签信息构造类别指示矩阵,并引入两个不同的正则项分别对该类别指示矩阵进行重构。本文所提的方法被称为基于图学习的正则判别非负矩阵分解,并给出了相应的乘性更新规则和目标函数的收敛性证明。在两个标准数据集上的人脸识别实验表明了所提方法的有效性。
中图分类号: