[发明专利]一种流行正则和鉴别信息最大化的非负矩阵分解方法

摘要

本发明公开了一种流行正则和鉴别信息最大化的非负矩阵分解方法，包括计算数据集X=[x₁,Λ,x_N]的p近邻权矩阵W；然后根据A）步骤中所得的p近邻权矩阵W，计算拉普拉斯矩阵L＝D-W，所述D为对角矩阵且计算M矩阵；通过迭代规则计算基向量矩阵和编码向量矩阵四个主要步骤。本发明方法的优势在于：在进行非负矩阵分解时，本发明利用流行正则项保持数据潜在流行结构的同时，最大化基向量中的类间重要鉴别信息，从而使得分解后得到的编码向量更具数据表示能力。

主权项

1.一种流行正则和鉴别信息最大化的非负矩阵分解方法，其特征在于：包含如下步骤： A）：首先计算数据集X=[x₁,Λ,x_N]的p近邻权矩阵W，计算方法为： 或 其中，N(x_i)和N(x_j)分别是x_i和x_j的p个近邻子集，σ为常量；B）：然后根据A）步骤中所得的p近邻权矩阵W，计算拉普拉斯矩阵L=D-W，所述D为对角矩阵且C）：计算M矩阵 其中，K为类别数，E为K阶全1阵，I为K阶单位阵； D）：通过迭代规则计算基向量矩阵和编码向量矩阵其中，λ₁和λ₂是两个控制参数。