模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2018, Vol. 31 Issue (6): 505-515    DOI: 10.16451/j.cnki.issn1003-6059.201806003
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于Fisher判别分析的增量式非负矩阵分解算法
蔡竞1,2,3, 王万良1, 郑建炜1, 罗志坚3, 申思1,2
1.浙江工业大学 计算机科学与技术学院 杭州 310014
2.浙江警察学院 刑事科学技术系 杭州 310053
3.浙江大学 计算机科学与技术学院 杭州310027
Incremental Non-negative Matrix Factorization Based on Fisher Discriminant Analysis
CAI Jing1,2,3, WANG Wanliang1, ZHENG Jianwei1, LUO Zhijian3, SHEN Si1,2
1.College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310014
2.Department of Forensic Science and Technology, Zhejiang Police College, Hangzhou 310053
3.College of Computer Science and Technology, Zhejiang University, Hangzhou 310027

全文: PDF (1009 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 

增量式非负矩阵分解算法是基于子空间降维技术的无监督增量学习方法.文中将Fisher判别分析思想引入增量式非负矩阵分解中,提出基于Fisher判别分析的增量式非负矩阵分解算法.首先,利用初始样本训练的先验信息,通过索引矩阵对新增系数矩阵进行初始化赋值.然后,将增量式非负矩阵分解算法的目标函数改进为批量式的增量学习算法,在此基础上施加类间散度最大和类内散度最小的约束.最后,采用乘性迭代的方法计算分解后的因子矩阵.在ORL、Yale B和PIE等3个不同规模人脸数据库上的实验验证文中算法的有效性.

服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
蔡竞
王万良
郑建炜
罗志坚
申思
关键词 子空间降维 有监督学习 Fisher判别分析 非负矩阵分解 增量学习    
Abstract

Incremental non-negative matrix factorization is an unsupervised learning algorithm based on subspace dimensionality reduction technology. In this paper, the idea of fisher discriminant analysis is introduced into incremental non-negative matrix factorization, and an incremental learning algorithm of non-negative matrix factorization with discriminative information and constraints is proposed. Firstly, prior information of original training samples is utilized to initialize the incremental coefficient matrix through an index matrix. Secondly, the object function of incremental non-negative matrix factorization is improved to be a batch-incremental learning algorithm with the constraints of maximizing between-class scatter and minimizing within-class scatter. Finally, the factor matrices are calculated by the method of multiplicative iteration. Experimental results on ORL, Yale B and PIE face databases show the effectiveness of the proposed method.

收稿日期: 2018-03-09     
ZTFLH: TP 391.4  
基金资助:

国家重点研发计划项目(No.2017YFC0803700)、国家自然科学基金项目(No.61602413)、浙江省教育厅科研项目(N0.Y201431023)、浙江省高校访问学者教师专业发展项目(No.FX2017069)资助

作者简介: 蔡 竞(通讯作者),博士研究生,讲师,主要研究方向为图像处理、机器学习.E-mail:caijing@zjjcxy.cn. 王万良,博士,教授,主要研究方向为智能算法、网络控制.E-mail:wwl@zjut.edu.cn. 郑建炜,博士,副教授,主要研究方向为机器学习、特征提取.E-mail:zjw@zjut.edu.cn. 罗志坚,博士研究生,主要研究方向为模式识别、计算机视觉.E-mail:luozhijian@zju.edu.cn. 申 思,博士研究生,讲师,主要研究方向为机器学习、智能交通.E-mail:shengsi@zjjcxy.cn.
引用本文:   
蔡竞, 王万良, 郑建炜, 罗志坚, 申思. 基于Fisher判别分析的增量式非负矩阵分解算法[J]. 模式识别与人工智能, 2018, 31(6): 505-515. CAI Jing, WANG Wanliang, ZHENG Jianwei, LUO Zhijian, SHEN Si. Incremental Non-negative Matrix Factorization Based on Fisher Discriminant Analysis. , 2018, 31(6): 505-515.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201806003      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2018/V31/I6/505
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn