发表服务
基于非负矩阵分解的数据表示算法研究及其应用.随着社会经济条件的发展,数据获取的方式越来越多,人们往往需要对大量高维的数据进行分析,但是,经常会遭受数据的"维数灾难",使得对数据的后期处理变得非常困难.因此,在...郑媛媛-《南京理工大学》.被引量...
刘维湘;郑南宁;游屈波;;非负矩阵分解及其在模式识别中的应用[J];科学通报;2006年03期13廖祥文;陈振伟;;基于非负矩阵分解的中文倾向性句子识别[J];福州大学学报(自然科学版);2011年02期14苗启广,王宝树;基于非负矩阵分解的多聚焦图像融合研究[J];光学学报15
非负矩阵分解（Non—negativeMatrixFactorization，简称瑚F）方法是一种新的降维方法，该方法具有可解释性、直观上的“局部构成整体＂等特性，有着广泛的应用前景。.本文针对NMF方法的初始化问题及其在中文文本挖掘中的应用，主要研究内l、分析总结了NMF方法的...
论文的研究成果主要体现在以下几个方面:(1)提出一种基于鉴别约束嵌入的半监督非负矩阵分解(DSNMF)算法,并应用于半监督场景下的特征抽取。.为了更充分有效的利用标签信息,DSNMF算法在图正则化非负矩阵分解(GNMF)算法的基础上从隐式嵌入和显式嵌入两方面...
非负矩阵分解及其在人脸识别中的应用喜欢0阅读量：31作者：周丹展开摘要：非负矩阵分解(Non-negativeMatrixFactorization,NMF)是一种处理大规模高维数据的矩阵分解方法,它以分解的结果中不出现负值,提取的特征是基于部分的、局部化的、纯加...
NMF经典论文：AlgorithmsforNon-negativeMatrixFactorization（NIPS,2001），此文主讲算法细节偏理论。（话说怎么去掉图片默认水印，有点影响视觉效果。）1.引言NMF要做的，就是给定一个非负矩阵V∈R+d×n"role
【摘要】："互联网+"时代,信息的数量呈现式增长,而且信息维度也愈来愈大,如何处理这些海量高维数据是当前科学研究的热点问题之一。基于稀疏约束的非负矩阵分解方法不仅拥有普通非负矩阵分解的非负特性,使得分解结果有直观的物理意义,而且还可以对数据产生稀疏的表示,挖掘数据背后隐含...
基于非负矩阵分解的数据表示算法研究及其应用.随着社会经济条件的发展,数据获取的方式越来越多,人们往往需要对大量高维的数据进行分析,但是,经常会遭受数据的"维数灾难",使得对数据的后期处理变得非常困难.因此,在处理高维数据之前,有必要对数据进行...
NMF非负矩阵分解：NMF分解算法相较于传统的一些算法而言(如PCA、ICA、SVD（奇异值分解）、VQ等)，保证矩阵元素为非负(负值元素在实际应用中往往是无意义的)；具有实现上的简便性、分解形式和分解结果上的可解释性，以及占用存储空间少等诸多优点。
非负矩阵分解(Non-negativeMatrixFactorization,即NMF)方法最初是由Lee和Seung在著名的《Nature》杂志上提出的[1],它是矩阵分解的一种新突破,其思想就是附加一些约束条件,实现由一个非负矩阵到两个非负矩阵乘积的转化。
基于非负矩阵分解的数据表示算法研究及其应用.随着社会经济条件的发展,数据获取的方式越来越多,人们往往需要对大量高维的数据进行分析,但是,经常会遭受数据的"维数灾难",使得对数据的后期处理变得非常困难.因此,在...郑媛媛-《南京理工大学》.被引量...
刘维湘;郑南宁;游屈波;;非负矩阵分解及其在模式识别中的应用[J];科学通报;2006年03期13廖祥文;陈振伟;;基于非负矩阵分解的中文倾向性句子识别[J];福州大学学报(自然科学版);2011年02期14苗启广,王宝树;基于非负矩阵分解的多聚焦图像融合研究[J];光学学报15
非负矩阵分解（Non—negativeMatrixFactorization，简称瑚F）方法是一种新的降维方法，该方法具有可解释性、直观上的“局部构成整体＂等特性，有着广泛的应用前景。.本文针对NMF方法的初始化问题及其在中文文本挖掘中的应用，主要研究内l、分析总结了NMF方法的...
论文的研究成果主要体现在以下几个方面:(1)提出一种基于鉴别约束嵌入的半监督非负矩阵分解(DSNMF)算法,并应用于半监督场景下的特征抽取。.为了更充分有效的利用标签信息,DSNMF算法在图正则化非负矩阵分解(GNMF)算法的基础上从隐式嵌入和显式嵌入两方面...
非负矩阵分解及其在人脸识别中的应用喜欢0阅读量：31作者：周丹展开摘要：非负矩阵分解(Non-negativeMatrixFactorization,NMF)是一种处理大规模高维数据的矩阵分解方法,它以分解的结果中不出现负值,提取的特征是基于部分的、局部化的、纯加...
NMF经典论文：AlgorithmsforNon-negativeMatrixFactorization（NIPS,2001），此文主讲算法细节偏理论。（话说怎么去掉图片默认水印，有点影响视觉效果。）1.引言NMF要做的，就是给定一个非负矩阵V∈R+d×n"role
【摘要】："互联网+"时代,信息的数量呈现式增长,而且信息维度也愈来愈大,如何处理这些海量高维数据是当前科学研究的热点问题之一。基于稀疏约束的非负矩阵分解方法不仅拥有普通非负矩阵分解的非负特性,使得分解结果有直观的物理意义,而且还可以对数据产生稀疏的表示,挖掘数据背后隐含...
基于非负矩阵分解的数据表示算法研究及其应用.随着社会经济条件的发展,数据获取的方式越来越多,人们往往需要对大量高维的数据进行分析,但是,经常会遭受数据的"维数灾难",使得对数据的后期处理变得非常困难.因此,在处理高维数据之前,有必要对数据进行...
NMF非负矩阵分解：NMF分解算法相较于传统的一些算法而言(如PCA、ICA、SVD（奇异值分解）、VQ等)，保证矩阵元素为非负(负值元素在实际应用中往往是无意义的)；具有实现上的简便性、分解形式和分解结果上的可解释性，以及占用存储空间少等诸多优点。
非负矩阵分解(Non-negativeMatrixFactorization,即NMF)方法最初是由Lee和Seung在著名的《Nature》杂志上提出的[1],它是矩阵分解的一种新突破,其思想就是附加一些约束条件,实现由一个非负矩阵到两个非负矩阵乘积的转化。
发表服务