基于类别信息和稀疏表示的非负矩阵分解

摘要

非负矩阵分解通过分解得到基矩阵对于非负的矩阵线性表示,该方法已经在模式识别、信息检索、计算机视觉中得到了广泛的应用.对于模式识别问题,基本的非负矩阵分解方法并没有考虑样本的类别信息；除此之外,稀疏表示用于模式识别问题会有更高的识别率.
　　根据以上思想提出基于类别信息和稀疏表示的非负矩阵分解用于研究模式识别问题,并且在ORL和Yale人脸库上进行数值实验,实验结果表明文章中提出的方法具有更高的识别率.

目录

声明

第一章 绪论

1.1模式识别研究的背景和意义

1.2本文研究工作与组织结构

第二章 非负矩阵分解

2.1非负矩阵分解的基本概念

2.2基本的非负矩阵分解方法

2.3含有类别信息的非负矩阵分解的方法

2.3.1Graph regularized Nonnegative Matrix Factorization

2.3.2Hard-Constrained Nonnegative Matrix Factorization

2.3.3Soft-Constrained Nonnegative Matrix Factorization

第三章 稀疏分类表示

3.1稀疏表示模型

3.2稀疏分类表示用于模式识别

3.2.1模式识别稀疏表示模型

3.2.2数值实验

第四章 基于类别信息及稀疏表示的非负矩阵分解的模型

4.1基于类别信息及稀疏表示的非负矩阵分解的模型

4.2 SS-CNMF的迭代规则

4.3数值实验

4.3.1实验方法

4.3.2 ORL数据库

4.3.3 Yale数据库

4.3.4实验结论

第五章 总结与展望

5.1全文工作总结

5.2未来展望

参考文献

发表论文和参加科研情况说明

致谢