Non-negative Matrix Factorization Based on L2 Sparseness Constraints and Graph Regularization 作者： 王美能[1]
作者机构： [1]宜春学院数学与计算机科学学院，江西宜春336000
出版物刊名： 宜春学院学报
正则化算法调用页码： 28-30页
年卷期： 2019年 第12期
主题词： 非负矩阵分解；稀疏约束；图正则化；拉格朗日乘数法
摘要：非负矩阵分解算法(NMF)已经广泛应用于图像处理、模式识别和数据挖掘等相关领域，它旨在寻两个非负矩阵使其乘积与原始矩阵实现最佳相似。然而，标准的非负矩阵分解算法(NMF)不能发现数据空间的内蕴几何结构。本文提出了一种基于L2稀疏约束和图正则化的非负矩阵分解算法(L2-SGRNMF)，并将该方法与标准NMF算法和图正则化非负矩阵分解算法(GRNMF)进行了对比。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。