譜聚類論文非負矩陣分解論文

1、論文發(fā)表專家一顧中國學術期刊網譜聚類論文非負矩陣分解論文摘要：聚類問題一直是模式識別和機器學習領域一個比較活躍而且極負挑戰(zhàn)性的研究方向。譜聚類是近年來興起的一類較流行的聚類方法。該文將非負約束引入到傳統(tǒng)的譜聚類方法中，提出了一種基于非負約束的譜聚類方法。非負約束已在許多應用領域被證明是一種有用的性質。文中對比實驗表明，基于非負約束的譜聚類方法在整體上明顯優(yōu)于傳統(tǒng)的譜聚類方法。關鍵詞：譜聚類；非負約束；聚類；非負矩陣分解aspectralclusteringmethodwiththenonnegativeconstraintwangchun-tengl,fuchuan-yi2,xingjie-q

2、ing2(.collegeofelectronicinformationengineeringofqiongzhouuniversity,sanya572022,china;2.departmentofmoderneducationtechnology,qiongtaiteacherscollege,haikou571100,china)abstract:clusteringisachallengingandactiveresearchtopicinpatternrecognitionandmachinelearning.spectralclusteringisanewmethodforclu

3、hispaper,thenonnegativeconstraintspectralclustering.isintroducedintothetraditional論文發(fā)表專家一顧中國學術期刊洌wwv/thenmf-basedisproposed.theadvantageofthenonnegativeconstrainhasbeenconformedinmanyapplicationfields.theresultsoftheexperimentsinthepaperevaluatetheproposedmethod.keywords:spectralclusterin

4、g;nonnegativeconstraint;clustering;nonnegativematrixfactorization聚類分析是模式識別和機器學習中重要研究課題之一。所謂聚類(clustering)就是將給定數據對象集合劃分為多個類或簇(cluster)，使得在同一簇中的對象之間具有較高的相似度，而不同簇中的對象差異較大。在現有的聚類方法中，k-均值聚類是最簡單、使用最普遍的方法之一。類似于k-均值，這些傳統(tǒng)的聚類算法大多是基于中心的方法，是建立在凸球形的樣本空間上。當樣本空間不滿足凸形時，算法容易陷入局部最優(yōu)。譜聚類算法(spectralclusteringalgorithm)避

5、免了這個問題。該算法建立在圖論中的譜圖理論基礎上，其本質是將聚類問題轉換為圖的最優(yōu)劃分問題。與傳統(tǒng)的聚類算法相比，譜聚類算法將聚類轉換為一個代數上的矩陣求解問題，具有能在任意形狀的樣本空間上聚類且收斂于全局最優(yōu)解的優(yōu)點1。在現實世界中，許多信號數據是分非的，例如，圖像、論文發(fā)表專家一顧中國學術期刊洌wwv/文本等。由這些現實領域收集的樣本組成的數據矩陣是非負數據矩陣。進過一般的譜運算，例如svd、pea等，得到的目標特征向量中通常含有許多負值。在許多應用中，非負約束被引入。我們希望得到的目標特征向量中僅含有非負的數據。這個約束在許多情況下是很有意義的。一方面，使得到的樣本特征具有現實的物理意義；另一方面，這種約束的引入更有利于在目標映射中保持樣本的局部特征。非負矩陣分解(non-negativematrixfactorization，簡稱nmf)正是為解決這個問題而提出的2-3。自提出以來，許多文獻對其進行了研究。一些文獻是基于算法和模型變形的2-6，而另一些是基于應用的，非負矩陣分解已經被成功地應用于許多領域，包括生物信息學7-8，物理學9，多媒體數據10，文本挖掘11-12等。其中最成功的應用是數據聚類13。本文就nmf的這種優(yōu)勢引入到傳統(tǒng)的譜聚類方法中，提出了一種基于非負約束的譜聚類方法nmfsc。1非負矩陣分解給定