文献类型：期刊文章

作　　者：陈君航[1,2] 杨祖元[1] 刘名扬[1,3] 李陵江[1]

CHEN Junhang;YANG Zuyuan;LIU Mingyang;LI Lingjiang(Guangdong Key Laboratory of IoT Information Technology,School of Automation,Guangdong University of Technology,Guangzhou 510006,China;Guangdong-Hong Kong-Macao Joint Laboratory for Smart Discrete Manufacturing,Guangzhou 510006,China;Key Laboratory of Intelligence Detection and Manufacturing Internet of Things,Ministry of Education,Guangzhou 510006,China.)

机构地区：[1]广东工业大学自动化学院广东省物联网信息技术重点实验室,广州510006 [2]粤港澳离散制造智能化联合实验室,广州510006 [3]智能检测与制造物联教育部重点实验室,广州510006

出　　处：《计算机工程》

基　　金：广东省重点领域研发计划(2019B010154002)。

年　　份：2023

卷　　号：49

期　　号：8

起止页码：46-53

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：可分离非负矩阵分解(NMF)是通过抽取数据集中的部分样本或关键主题来表示整个数据集的一种特殊NMF方法。广义可分离非负矩阵分解(GSNMF)算法是由可分离NMF扩展的算法,可以同时得到数据集中的关键样本和关键主题两类特征,使分解结果更具有可解释性,但在处理某些数据集时由于选择方法存在的缺陷,GSNMF算法只能单独选择行或列的特征,从而失去可解释性的优点。为此,引入正交约束来修正GSNMF算法的选取结果,提出一种基于正交约束的广义可分离非负矩阵分解(OGSNMF)算法,利用非负特性及正交约束的特点,限制迭代过程中关于行和列的迭代矩阵,确保得到行和列的特征,并获取更加精确的分解结果。在此基础上,引入相对近似误差作为实验指标,结合分解结果的秩在行与列上的分配作为实验评判标准。实验结果表明,与原有算法相比,OGSNMF算法在处理数据集时,相对近似误差提高了1~3个百分点,说明在分解过程中损失的信息更少,确保能够获取到行和列的特征,得到更具有可解释性的分解结果。

关 键 词：降维 非负矩阵分解 广义可分离非负矩阵分解  正交约束  数据表示

分 类 号：TP751]