非负矩阵分解

摘要： 背景:膝关节活动受限是一种比较常见的损伤后表现特征,但是对于膝关节活动受限下的肌肉协同有待研究。目的:研究单侧膝关节屈曲受限与正常运动下肢肌肉协同的异同。方法:招募20名健康成年人(男性12名,女性8名)作为受试者,分别采集屈曲受限条件下与无屈曲受限条件下自然行走的下肢表面肌电信号。通过非负矩阵分解算法从受限侧(右腿)的10块肌肉的表面肌电信号中提取肌肉协同,利用单因素方差分析研究在不同条件行走的步态参数显著差异。结果与结论:①屈曲受限条件下,受试者进行行走任务时肌肉协同数量减少,表现出不同的肌肉协调模式控制并且招募新的肌肉协同单元;随着协同模块的减少,内侧腓肠肌、外侧腓肠肌和比目鱼肌激活时间从支撑相向摆动相偏移的越明显;主要依靠股直肌、股内侧肌、股外侧肌和阔筋膜张肌进行代偿,使其在激活水平上表现的异常活跃,同时受限侧表现出划圈、提胯等动作,因此受限后主要以受限侧髋关节代偿;②屈曲受限条件下,受试者受限侧和非受限侧在步态参数(频率、步速、步态周期和支撑相占比)方面对比受限前均存在显著差异(P<0.05),同时非受限侧单腿支撑时间相较于受限前明显增大(P<0.01),受限侧支撑相占比和单腿支撑时间显著小于非受限侧(P<0.01);③因此,膝关节屈曲运动减弱可被认为是导致下肢肢体内协调受损的关键因素,研究结果对运动功能的定量分析以及人体下肢康复指导具有意义,并为了解运动功能受损背后的神经肌肉控制机制提供重要的见解。

摘要： 了解肿瘤组织的免疫细胞比例对肿瘤患者的诊断和预后治疗具有重要意义,DNA甲基化可以作为一种细胞分子特征来量化复杂肿瘤混合物中的多种细胞类型。本研究基于非负矩阵分解算法并结合部分DNA甲基化建立肿瘤浸润免疫细胞比例预测模型。在预测肿瘤混合物中细胞类型的比例时,选择已知的对每种免疫细胞类型差异显著的DNA甲基化水平矩阵作为特征矩阵,将其和肿瘤混合物的DNA甲基化水平输入到非负矩阵分解算法进行细胞类型的比例预测。噪声和肿瘤含量不同设置下的模拟实验验证了该模型预测的免疫细胞比例与真实比例具有很高的一致性,且均方根误差较小。将该模型应用到4种真实的肿瘤样本上,得到每种样本中浸润水平最高的免疫细胞,结果与之前其他学者的生物学发现相一致。本研究的模型能准确预测组成肿瘤混合物的细胞类型比例,为肿瘤的免疫学研究提供了新的方法。

摘要： 随着数据采集密集化程度的提高,不同领域产生了大量具备曲线特征的函数型数据。这类数据具有多源性和多态性特征,且其离散采样点通常呈现大规模缺失、取值非负的特点。文章针对非负函数型数据的缺失处理展开讨论:在梳理了单视角和多视角数据插补方法的基础上,引入非负约束,采用函数型数据分析方法,试图将非负矩阵分解、多视角学习以及矩阵填充进行融合,构造一种基于多视角学习的非负函数型矩阵填充算法,并给出了交替迭代更新求解算法。模拟和实例数据修复表明,与现有的单视角函数型数据填充方法相比,新方法不仅具有较好的数据修复效果,而且具备明显的计算时间优势。

摘要： [研究目的]面向在线社交网络舆情数据,基于符号网络建模舆情实体的正负关系,研究符号网络社团检测模型挖掘舆情数据中的语义社团,进一步推演出对于某事件群众的普遍看法,适用于真实社会网络中的事件检测,有助于创新舆情情报分析方法。[研究方法]主要从符号网络特性入手,在半非负分解过程中引入深度学习的框架,提出深度半非负矩阵分解模型(DSNMF),进一步将舆情情报分析及复杂网络科学有机结合,利用“‘司马3忌’举报韩红爱心慈善基金会”热点事件所产生的微博舆情数据构建舆情情感符号网络,基于DSNMF模型进行舆情情报实证分析。[研究结论]大量实验表明:DSNMF模型有效提升了符号网络社团检测性能;证实了符号网络社团检测模型在舆情情报分析中的有效性。

摘要： 稀疏非负矩阵由于方便计算和存储的优点已被广泛关注.为了得到更稀疏的系数矩阵,在非负矩阵分解(NMF)模型上同时引入L_(1)和L_(1/2)正则项,提出一种新的稀疏NMF模型L_(1)-L_(1/2)-NMF,为快速求解L_(1)-L_(1/2)-NMF,提出梯度下降算法.进一步,基于交替非负最小二乘算法框架,利用KKT条件,提出块坐标下降算法.与梯度下降算法相比,块坐标下降算法得到的系数矩阵更稀疏.针对ORL、CBCL、Yale和Extended Yale 4个图像数据集的实验结果表明,块坐标下降算法和梯度下降算法得到的系数矩阵的稀疏性和相对误差优于其他稀疏NMF算法.

摘要： 非负矩阵分解(NMF)是一种有效的数据降维方法,广泛应用于图像聚类等领域。然而,NMF不能捕获数据固有的几何结构,所以基于图的非负矩阵分解被提出。基于图的算法大多使用K-近邻来构造相似度图。由于数据中的异常值和错误特征,直接构造图是不准确的。针对上述问题,提出了基于学习一致性相似度矩阵的图非负矩阵分解方法。该方法首先通过自适应学习来获得相似度矩阵,然后通过相似度矩阵构造拉普拉斯图正则项,最后将该正则项加入原始的非负矩阵分解模型中。优化了之前直接使用K-近邻构图的弊端,并且能很好地保持数据的几何结构。新提出的算法在USPS、yale、faces以及ORLdata数据集上进行聚类试验并与一些先进算法进行了比较。数值试验结果证明了本文提出的算法性能很好。

摘要： 标准的非负矩阵分解(NMF)应用于高光谱解混时,容易受到噪声和异常值的干扰,解混效果较差。为了提高分解性能,该文将L_(21)范数引入标准的NMF算法中,对模型进行了改进,从而提高算法的鲁棒性。其次,为了提高分解后丰度矩阵的稀疏性,将双重加权稀疏约束引入L_(21)NMF模型中,使其中一个权值提高每个像元对应的丰度向量上的稀疏性,另一个权值提高每个端元对应的丰度向量上的稀疏性。同时,为了利用像元的全局空间分布信息,观察地物在不同图像中的真实分布情况,引入子空间结构正则项,提出了基于子空间结构正则化的L_(21)非负矩阵分解(L_(21)NMF-SSR)算法。通过在模拟数据集和真实数据集与其他经典算法的比较,验证了该算法具有更好的性能,同时具有去噪能力。

摘要： 非负矩阵分解(nonnegative matrix factorization,NMF)因其有效性和易解释性强被广泛应用于社区发现领域。然而,现有大多数基于NMF的社区发现方法都是线性的,无法有效处理复杂网络的非线性特征,从而导致社区发现性能还有待进一步提高。针对该问题,提出了一种图卷积网络(graph convolutional network,GCN)增强的非线性NMF社区发现方法NMFGCN。NMFGCN包含两个主要模块:GCN和NMF,其中GCN用于学习网络节点表示,NMF将节点表示作为输入获得网络的社区表示。此外,提出一个联合优化方法以训练NMFGCN,不仅使得NMFGCN具有非线性特征表示能力,而且可以使得GCN和NMF相互促进并获得更好的社区划分结果。在人工合成网络和真实网络上进行大量实验,结果表明NMFGCN优于目前基于NMF的社区发现方法,从而证明NMFGCN确实可以提高NMF社区发现方法的性能。此外,NMFGCN还优于DeepWalk和LINE常用图表示学习方法。

摘要： 目的 探讨MRI纹理特征评估浸润性乳腺癌脉管浸润的价值,及其对缺失的乳腺癌分子分型和细胞角蛋白5/6基因表达信息的填充。方法 将114例接受MRI检查并经病理确诊为乳腺癌的患者分为训练组(n=51)、内部验证组(n=30)、外部验证组(n=33)。根据临床病理特征与MRI征象观察脉管浸润独立危险因素,构建MRI征象模型和纹理特征模型,评估2种模型的诊断效能估。采取交叉验证支持向量机递归特征消除法进行纹理特征选择,结合乳腺癌患者病理信息,建立非负矩阵分解(NMF)模型与协同过滤模型,采取受试者工作特征曲线进行模型填充性能评价。结果 3组患者瘤周胸肌前水肿、淋巴结转移状态差异具有统计学意义(P<0.05),是影响脉管浸润的独立危险因素。纹理特征模型诊断乳腺癌脉管浸润的曲线下面积高于MRI征象模型(P<0.05)。在缺失率为20%~40%时,NMF法的曲线下面积高于协同过滤法(P<0.05);在特征数为140时,NMF模型的曲线下面积高于协同过滤模型(P<0.05)。使用影像组学特征NMF模型的曲线下面积高于不使用影像组学特征NMF模型(P<0.05)。结论 MRI纹理特征可在术前有效预测乳腺癌脉管浸润,填充缺失的分子分型以及细胞角蛋白5/6基因表达信息。

摘要： 近年来,随着媒介技术的快速发展,人们成组活动的现象逐渐增多,群组推荐系统也逐渐受到关注。现有的群组推荐系统往往将不同的成员视为同质对象,忽视了成员专业背景和项目固有属性之间的关系,无法真正地解决融合过程中的偏好冲突问题。为此,提出一种基于非负矩阵分解的群组推荐算法,通过非负矩阵分解将群组评分信息分解为用户矩阵和项目矩阵,针对2个矩阵分别利用隶属度和专业度权值计算得到项目隶属度矩阵和成员专业度矩阵,并由此获得各成员在不同项目上的贡献度来构建群组偏好模型。实验结果表明,所提算法在不同群组规模和组内相似度的情况下依然具有较高的推荐准确度。

摘要： 近年来基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的高光谱图像解混方法引起了大家的广泛关注.但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小.为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法.首先,考虑到丰度矩阵的稀疏性,稀疏约束被添加到NMF模型中.接着,考虑到问题计算复杂、不易于优化,将其转化为重加权稀疏约束的形式,既实现了的稀疏效果,又解决了范数难以求解的问题.为提高算法收敛速度,采用交替方向乘子算法(ADMM)对模型进行优化,将目标函数拆分成几个子问题进行独立求解.基于仿真数据和真实数据的仿真实验验证了该解混算法的有效性.

摘要： 协同过滤(CF)已经在推荐系统得到了广泛地应用.但是随着用户和项目规模的增大,协同过滤算法运行效率以及结果正确性会大大降低,针对这一问题,本文提出一种基于GPU的非负矩阵分解(NMF)的并行协同过滤方法,充分利用NMF数据降维和特征提取的优势以及CUDA的多核并行计算模式,进行维数简化和用户的相似性计算,算法在提高精确性的同时也减少了计算耗费,可以较好地解决协同过滤推荐系统所存在的稀疏性、扩展性等问题,快速产生精确的个性化推荐结果.利用NVIDIA CUDA设备和真实的MovieLens用户评分数据集,将本文所设计的并行NMF协同过滤算法与传统的基于用户的和基于物品的协同过滤算法进行了比较,实验结果表明,所设计的并行NMF协同过滤算法达到了较快的处理速度以及较高的推荐准确率.

摘要： 往复式压缩机结构复杂,呈现出强耦合的非线性特征,且其工作环境恶劣,故障诱因较多.本文提出了一种基于非负矩阵分解的往复式压缩机故障数据聚类算法,首先利用平方Euclidean距离的概念建立了误差矩阵E的代价函数,其次利用三种不同的非负矩阵分解算法对代价函数进行求解,最后根据分解后的基矩阵和系数矩阵确定数据所属的分类.在往复式压缩机故障数据集上的测试结果表明,与其他聚类算法相比,该方法可对不同类型的故障进行准确分类,具有良好的应用前景和实用价值.

摘要： Botnet(僵尸网络)等恶意程序常常通过DNS服务对受控节点进行控制。通过DNS查询的域名聚类，可以使得具有异常查询的域名浮现出来，并通过这些异常域名定位到受控节点。域名查询行为与网络的运行状况紧密关联.本文通过构造用户和所查询域名的共现矩阵,并进行词频反向文档频率(TF-IDF)转换,然后通过非负矩阵分解(Non-negative Matrix Factorization,NMF)来分析域名查询行为,发掘域名以及用户之间的关联关系.本文采用大规模的真实的校园网DNS查询记录作为数据集,发现了不同类别的域名兴趣群组,并进一步提取出其中的异常域名群组并分析了规律.

摘要： 提出一种新的高光谱异常检测方法——基于非负矩阵分解的高光谱异常检测.即使用一种新的变换方法——非负矩阵分解来达到对高光谱图像降维的目的.具体步骤为:先将原始的高光谱图像预处理,剔除冗余的噪声波段;然后利用非负矩阵分解算法对高光谱图像进行降维,得到降维后的若干个波段的图像;挑选出含有异常信息最多的某一波段图像,利用RX算法进行背景抑制,最终获得仅含异常目标的检测图像.

摘要： 在本文中,提出了一个基于非负矩阵分解的顶点带属性网络的链路预测算法.在该算法中,通过非负矩阵分解将网络的拓扑信息和属性信息有机地相结合,最终的结果能反映出拓扑信息和属性信息的潜在特征.实验显示算法相比其他算法在顶点带属性的网络中取得了更好的预测结果.

摘要： 复杂的空间背景及恶劣的太空环境严重影响了深空红外小目标检测的有效性和稳定性.本文提出了一种基于小波和改进非负矩阵分解(INMF)的多传感器数据融合小目标检测算法.首先对各源图像进行小波分解获得不同子带图像,然后在NMF目标函数中加入方差信息约束条件进行迭代运算,对各相应子带图像进行INMF融合,强化小目标特征信息并抑制背景噪声,最后利用局部方差特征提取融合后重构图像中的小目标,最后通过复杂场景序列图像对算法的有效性进行了验证,实验结果证明本文算法将小波变换和INMF算法结合在一起对多传感器图像进行特征提取与融合,显著提高了目标检测概率.

摘要： 近年来,非负矩阵分解(Non-negative matrix fac-torization,NMF)被广泛应用于单通道语音分离问题.然而,标准的NMF算法假设语音的相邻帧之间是相互独立的,不能表征语音信号的时间连续性信息.为此,本文提出了一种新的语音分离算法,首先将NMF和k均值聚类结合对纯净语音的频谱结构以及时间连续性进行建模,然后利用得到的模型训练因子条件随机场(factorial conditional random field,FCRF),进而对混合语音信号进行分离.结果表明本文提出的算法相比于没有考虑语音时间连续特性的基于NMF的算法,如Active-Set Newton Algorithm(ASNA),在客观指标上有明显提高.

摘要： GGOS Atmosphere发布的ZTD格网产品得到了广泛应用,然而该产品空间分辨率的确定缺乏足够依据.分析了GGOS ZWD、ZHD产品与ECMWF发布的PWV、SP产品之间的强相关性,计算了不同空间分辨率格网产品的经纬向梯度分组概率,同时利用所提出的基于随机学习速率矩阵的改进NMF算法提取了不同空间分辨率格网产品的特征维数,进而确定了ZTD格网产品的最佳空间分辨率、固有特征维数并提供了一种数据压缩发布方案.

摘要： GGOS Atmosphere发布的ZTD格网产品得到了广泛应用,然而该产品空间分辨率的确定缺乏足够依据.分析了GGOS ZWD、ZHD产品与ECMWF发布的PWV、SP产品之间的强相关性,计算了不同空间分辨率格网产品的经纬向梯度分组概率,同时利用所提出的基于随机学习速率矩阵的改进NMF算法提取了不同空间分辨率格网产品的特征维数,进而确定了ZTD格网产品的最佳空间分辨率、固有特征维数并提供了一种数据压缩发布方案.

摘要： 本发明公开一种基于非负矩阵分解的智能电网数据分解的方法，在非负矩阵分解算法的基础上，引入了用户间相似性的特征，提高算法的性能，使分解结果更加接近用户的实际用电信息，为用户提供更加精准的反馈。实验结果辨明，该方法与已有的方法对比，性能有明显的提升。

摘要： 本发明公开了一种基于Hessian正则非负矩阵分解的非编码RNA与疾病关系预测方法，属于系统生物学领域，主要包括三个步骤：步骤一，分别计算非编码RNA的高斯谱核相似性和疾病的高斯谱核相似性；步骤二，使用迭代求解算法计算非编码RNA‑疾病关联对预测得分；步骤三，根据算出的非编码RNA‑疾病关联对得分进行排序，给出最终预测结果。本发明通过Hessian正则化细致刻画数据内在流形结构，有效利用了阴性样本的信息；l2,1范数约束和近似正交约束保证了编码矩阵的群稀疏性，能减弱噪声数据的影响。本方法能获得比较可靠的预测结果，有效地解决了生物实验方法耗时长、成本高的问题。

摘要： 本发明公开一种基于非负矩阵分解的智能电网数据分解的方法，在非负矩阵分解算法的基础上，引入了用户间相似性的特征，提高算法的性能，使分解结果更加接近用户的实际用电信息，为用户提供更加精准的反馈。实验结果辨明，该方法与已有的方法对比，性能有明显的提升。

摘要： 本发明公开了一种基于Hessian正则非负矩阵分解的非编码RNA与疾病关系预测方法，属于系统生物学领域，主要包括三个步骤：步骤一，分别计算非编码RNA的高斯谱核相似性和疾病的高斯谱核相似性；步骤二，使用迭代求解算法计算非编码RNA‑疾病关联对预测得分；步骤三，根据算出的非编码RNA‑疾病关联对得分进行排序，给出最终预测结果。本发明通过Hessian正则化细致刻画数据内在流形结构，有效利用了阴性样本的信息；l2,1范数约束和近似正交约束保证了编码矩阵的群稀疏性，能减弱噪声数据的影响。本方法能获得比较可靠的预测结果，有效地解决了生物实验方法耗时长、成本高的问题。

摘要： 本发明涉及一种多约束自适应图学习的鲁棒非负矩阵分解方法及系统。该方法包括：获取数据集；根据所述数据集，构建基于L21‑范数度量函数的非负矩阵分解模型；根据所述数据集，构建基于低维特征的多约束自适应图学习模型，所述多约束包括稀疏约束和局部约束；基于自适应图结构，构建拉普拉斯图正则化项；根据所述非负矩阵分解模型、多约束自适应图学习模型和拉普拉斯图正则化项，构建多约束自适应图学习的鲁棒非负矩阵分解模型的目标函数；采用迭代优化的方法求解所述目标函数，当迭代次数到达阈值时，输出目标函数的解。本发明能够从高维数据中提取有用的信息降低计算的复杂性以及能够提高图形结构的判别性。

摘要： 本发明公开了一种基于受限非负矩阵分解多视图聚类的电梯设备安全预警方法，包括以下步骤：输入电梯设备多视图数据集Xv∈Rd(v)×N，和标签约束矩阵A∈Rn×(n+c+l)；基于多视图聚类并结合受限非负矩阵分解实现半监督聚类，同时引入低秩表示解决噪声问题，最终构造一种基于受限非负矩阵分解多视图聚类的电梯设备安全预警方法的目标函数；使用交替迭代优化策略对得到的目标函数进行求解；获得一致约束表示矩阵S*后，利用k‑means聚类算法进行谱聚类得到聚类结果和聚类结果可视化图；得到聚类结果可视化图后，通过部分被标记的电梯设备的安全等级从而确定聚类结果可视化图中不同簇的安全等级。通过融合不同来源的数据的信息，并且引入低秩表示解决噪声的问题。

摘要： 本发明属于盲源分离技术领域，具体地说，涉及一种基于频域卷积传递函数的多通道非负矩阵分解方法及系统，该方法包括：对传声器阵列每一个通道采集的时域观测信号进行分帧并做短时傅里叶变换，得到时频域的观测信号；基于非负矩阵分解声源模型，估计出每一个声源的功率谱密度；基于频域卷积传递函数空间模型，估计出每一个声源的每一阶解混滤波器；利用获得的功率谱密度和解混矩阵构造均方误差准则下的维纳滤波器，并对时频域的观测信号进行滤波得到时频域的分离信号；将时频域的分离信号进行短时傅里叶逆变换、合成得到时域的分离信号。

摘要： 本发明涉及数据处理技术领域，具体的说，是一种局部鉴别结构保持的非负矩阵分解聚类方法，包括获取图像聚类样本；针对待聚类样本数据集建构局部差异关系邻接矩阵、局部相似关系邻接矩阵、局部鉴别关系邻接矩阵并合理映射优化目标函数；通过正则化技术，将高维图像数据中的相似性、差异性及局部鉴别信息融入到矩阵分解过程中，而从得到了基于局部鉴别结构保持的非负矩阵分解的目标函数；根据目标函数使用迭代加权的方法迭代预设次数，对变量进行更新，完成基于局部鉴别结构保持的非负矩阵分解；采用K‑means聚类算法对系数矩阵进行聚类分析。该聚类方法与传统的聚类方法相比，更加有效地揭示数据的内在几何结构和鉴别结构，提升了聚类性能。

摘要： 本发明提供一种基于图正则增量非负矩阵分解的采矿场景异常检测方法，属于异常检测与诊断技术领域和智能安全领域。该方法首先使用两套设备采集正常状态下的采矿环境信息，两套设备获得的数据均分别做以下处理；将数据进行预处理获得训练集X'；然后通过图正则增量非负矩阵分解得到最优基矩阵Wnew和系数矩阵Hnew；由此建立监控统计量N2和SPE,计算两套设备训练集的控制限；再重新采集数据(测试集X”)进行检测，计算测试集X”的统计量，最后将该统计量与两套控制限进行对比，从而判断采矿场景是否异常；当场景异常时，将最大的或较大的几个贡献值作为异常原因上传至控制接口以展示。该方法解决传统采矿场景异常检测不及时、不准确等弊端，打造数字化矿业。

摘要： 本发明涉及一种基于非线性非负矩阵分解的社区发现方法，包括以下步骤：S1：进行社交网络的形式化，生成无向图；S2：根根据无向图，引入图卷积网络GCN与NMF模型构建统一损失函数；S3：优化统一损失函数得到局部最优解；S4：根据局部最优解提取社区发现结果。引入图卷积网络GCN与NMF模型构建统一的损失函数，并进行联合训练赋予NMF非线性特征的学习能力，从而实现提高基于NMF社区发现方法性能。