典型文献
自适应图正则化的低秩非负矩阵分解算法
文献摘要：
图正则化(nonnegative matrix factorization,NMF)算法(graph regularization nonnegative matrix factorization,GNMF)仍存在一些不足之处:GNMF算法并没有考虑数据的低秩结构;在GNMF算法中,其拉普拉斯图是使用K近邻(K nearest neighbor,KNN)方法预先定义的,而KNN方法无法总是获得最优图解,从而使得GNMF算法的性能不能达到最优.为此,本文提出了一种自适应图正则化的非负矩阵分解算法(nonnegative low-rank matrix factorization with adaptive graph neighbors,NLMFAN).一方面,通过引入低秩约束,使得NLMFAN可以获得原始数据集的有效低秩结构;另一方面,设计了一种通过自适应求解相似度矩阵的方法来进行图的构建,即图的构造和矩阵分解的结果被融入一个整体的框架中,使得图中节点的相似性是自动从数据中学习得到的.此外,本文还给出了一种求解NLMFAN的有效算法.在多种数据集上的实验验证了本文所提出的算法的有效性.
文献关键词：
聚类;特征提取;降维;流形学习;非负矩阵分解;低秩约束;图正则化;自适应聚类
中图分类号：
作者姓名：
余沁茹;卢桂馥;李华
作者机构：
安徽工程大学 计算机与信息学院, 安徽 芜湖 241009
文献出处：
引用格式：
[1]余沁茹;卢桂馥;李华-.自适应图正则化的低秩非负矩阵分解算法)[J].智能系统学报,2022(02):325-332
A类：
GNMF,NLMFAN
B类：
自适应图正则,图正则化,非负矩阵分解,nonnegative,matrix,factorization,graph,regularization,低秩结构,拉普拉斯,近邻,nearest,KNN,图解,low,rank,adaptive,neighbors,低秩约束,原始数据,相似度矩阵,一个整,中节点,习得,还给,流形学习,自适应聚类
AB值：
0.238641
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
