非负矩阵分解(Nonnegative Matrix Factorization)，简称NMF，是由Lee和Seung于1999年在自然杂志上提出的一种矩阵分解方法，它使分解后的所有分量均为非负值(要求纯加性的描述)，并且同时实现非线性的维数约减。NMF已逐渐成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。
本文主要研究工作及贡献之处总结如下:1、非负矩阵分解(Non-negative Matrix Factorization,简称NMF)作为一种有效的特征提取方法已经被广泛应用于各种领域中。
基于2340个网页-相关网页
重叠三维荧光光谱的解析是荧光光谱解析中的难点,非负矩阵分解(NMF)作为一种有效的盲分离方法,能够提取光谱的局部特征和内在联系,克服光谱严重重叠带来的干扰,在解析重叠光谱中具有不可比拟的优势。
基于312个网页-相关网页
本文提出使用稀疏性非负矩阵分解(Sparse Non-negative Matrix Factorization,SNMF)和支持向量机对轴心轨迹图进行识别进而判断机器运行状态的方法,避免了特征选择和提取。
基于2个网页-相关网页
A new text clustering approach based on non-negative matrix factorization is presented.
提出一种基于非负矩阵分解的文本聚类方法。
参考来源 - 基于NMF的文本聚类方法 in CSingular value decomposition(SVD) and non-negative matrix factorization(NMF) are two common methods of data reduction.
奇异值分解(SVD,Singular Value Decomposition)和非负矩阵分解(NMF,Non-negativeMatrix Factorization)是两种常见的数据降维方法。
参考来源 - 奇异值分解与非负矩阵分解色在数据降维方面的特性分析·2,447,543篇论文数据，部分数据来源于NoteExpress
提出一种带有正则约束的非负矩阵分解算法(RCNMF)。
An algorithm with regularization constrains for nonnegative matrix factorization (RCNMF) is proposed.
非负矩阵分解具有非负性和局部性的特点，是一种新型的特征提取方法。
Non-negative matrix factorization has non-negative and local characteristics, and it is a new feature extraction method.
非负矩阵分解算法简单，易于实现，并且具有降维、收敛和稀疏等特性。
Moreover, NMF algorithm is simple and easy to implement and it has features such as dimension-lowering and sparse convergence.
应用推荐