期刊文献+

基于K-L算法的投影图正则非负矩阵分解 被引量:1

下载PDF
导出
摘要 通过对投影非负矩阵分解(PNMF)增加数据点及其邻近点的约束,提出一种基于图正则化的投影非负矩阵分解(PGNMF)方法。PGNMF保留了数据在低维特征空间中局部几何结构的同时又对系数矩阵进行稀疏约束,既减少了存储空间,也提高了算法效率。理论分析和数据实验都验证了该算法的有效性。
出处 《科技信息》 2014年第4期69-71,共3页 Science & Technology Information
  • 相关文献

参考文献8

  • 1李乐,章毓晋.基于线性投影结构的非负矩阵分解[J].自动化学报,2010,36(1):23-39. 被引量:22
  • 2Lee D D,Seung H S.Algorithms for non-negative matrix factorization. Advances in Neural Information Processing Systems . 2001
  • 3D.Cai,X. F. He,J. W. Han.Spectral regression: A unified approach forsparse subspace learning[].IEEE International Conference on Data Mining.2007
  • 4Deng Cai,Xiaofei He,Xiaoyun Wu,Jiawei Han.Non-negative Matrix Factorization on Manifold[].Proc Int Conf on Data Mining (ICDM’).2008
  • 5P.O. Hoyor.Nonnegative matrix factorization with sparse constraints[].Journal of MachineLearning Research.2004
  • 6Daniel D. Lee,H. Sebastian Seung.Learning the parts of objects by non-negative matrix factorization[].Nature.1999
  • 7Lee D D,Seung H S.Algorithms for non-negative matrix factorization[].Proceedings of Neural Information Processing Systems.2000
  • 8Liu, Xiaobai,Yan, Shuicheng,Jin, Hai.Projective nonnegative graph embedding[].IEEE Transactions on Image Processing.2010

二级参考文献4

共引文献23

同被引文献10

引证文献1

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部