论文部分内容阅读
典型的非监督学习算法,如主分量分析(PCA)、矢量量化(VQ)、独立分量分析(ICA)、因子分析(FA)等,均可以理解为对原始数据矩阵在一定条件限制下进行分解。本文所研究讨论的非负矩阵分解(NMF)算法与上述算法模型类似,是国际上新近提出的一种矩阵分解方法。与其他方法相比,NMF特殊之处在于其对于矩阵分解过程的非负限制,这会得到原始数据基于部分的表示,从而能更好的反映原始数据的局部特征,NMF的这一特性使得其可在诸多领域的应用得到很好的效果。 本文将NMF引入到子空间分类中,提出了基于NMF的子空间分类方法,并从理论与实验上进行全面论证。对于非负数据的模式分类问题,由于NMF子空间的基具有对数据的良好的夹逼性,相对于基于PCA的子空间的基的无任何对数据的夹逼性而言,具有明显优势,从而使得运用NMF的子空间分类方法较基于PCA的子空间分类方法有更好的分类效果。将这种方法运用于模式分类中典型的Iris数据和真实的DNA微阵列数据(Yeast数据和MIT数据)的实验结果表明,基于NMF的子空间分类方法可取的很好的分类性能。