1) Non-negative matrix factorization
非负矩阵因子分解(NMF)
2) three dimension non-negative matrix factorization
三维非负矩阵因子分解
3) non-negative matrix factorization
非负矩阵因子分解
1.
Improvement non-negative matrix factorization(NMF)algorithm has been proposed.
提出一种改进的非负矩阵因子分解算法。
2.
The main work is as follows:Firstly, learning the theory of the non-Negative Matrix Factorization(NMF) method, using it to classify the gastric gene expression data and the classification accuracy reached 98.
分析和实现了非负矩阵因子分解(NMF)算法,并提出将此算法用于胃癌基因表达数据的正常样本与疾病样本的分类,且分类正确率高达98。
4) non Negative Matrix Factorization(NMF)
非负矩阵因子
1.
And in the feature extraction process,a new face recognition method based on CSVD and non Negative Matrix Factorization(NMF) is presented.
并在特征提取环节,提出CSVD算法与非负矩阵因子算法特征数据相融合的人脸识别算法。
5) Non-negative matrix factorization
非负矩阵分解
1.
Application of Non-negative Matrix Factorization to romote sensing image fusion;
非负矩阵分解在遥感图像融合中的应用
2.
Blind sources separation based on non-negative matrix factorization;
基于非负矩阵分解算法进行盲信号分离
3.
Image classification based on non-negative matrix factorization and adjacency spectra;
基于非负矩阵分解与邻接谱的图像分类
6) nonnegative matrix factorization
非负矩阵分解
1.
We presented a generalized Kullback-Leibler cost function,and derived a new nonnegative matrix factorization algorithm based on scaled gradient desent method.
给出一种广义的Kullback-Leibler代价函数,基于调比梯度下降法得到新的非负矩阵分解算法。
2.
An algorithm with regularization constrains for nonnegative matrix factorization(RCNMF) is proposed.
提出一种带有正则约束的非负矩阵分解算法(RCNMF)。
3.
Inspired by the nonnegative matrix factorization algorithm, we put forward an fuzzy text clustering method based on nonnegative factor analysis.
本文借助于非负矩阵分解算法,提出了一种基于非负因子分析的模糊文本聚类方法。
补充资料：因子分解
因子分解
factorization
因子分解【血d如比.垃扣;中.K””3叫朋]，图论中的 把一个图(g丑ph)分解为某种形式的边不相交的生成子图.在一般情形下，图的一个因子是具有给定性质的生成子图.这种性质的一个例子就是正则性.一个k度正则生成子图称为一个k因子(k一自以。r);一个l因子也称为一个字李呼配(伴d七Ct Inatehing)一个图称为可k甲子分解的(k一几以面口ble或k一Ctor-able)，如果它可以表示为边不相交的k因子的并. 在图论中研究一个任意图的各类型的因子的存在性问题，因子的个数问题，以及对不同类图进行给定类型的因子分解的可能性问题.例如，已经证明顶点数为偶数的完全图和二部的顶点数相同的二部图(脚ph，biP洲ite)都是可1因子分解的一个连通图可2因子分解，当且仅当它是一个偶数度的正则图.一个图G有一个1因子，当且仅当它的顶点数是偶数且没有顶点集的一个子集U，使图G\U中顶点数是奇数的分支数超过IU}，这里的图G\u是从图G中去掉属于U的所有顶点而得到的图.每个2连通3度正则图可以分解为边不相交的一个1因子和1个2因子. 非正则因子的例子是生成树(见树(tl优))和生成移(儿旧t)，生成可平面子图(见图的嵌入(笋ph疏·司djl堪))等.与把图分解为生成林有关的一种数值特征称为荫度(ad力石dty)，它是边不相交且其并为原图的生成林的最小个数.任意图G的荫度等于 头 n】a沉弓—} 一丁一tk一1式中g*是G的k顶点子图中的最大边数.【补注】一个图G=(V，E)的生成子图(sP田甘肛嗯sub-脚ph)是一个子图G，“(K，E，)，其顶点集K等于G的顶点集V. 上文所引的1因子定理(1一几c‘orth即~)是W.T.Tutte得到的.给出一个顶点函数f，一个因子F称为一个f因子〔f一肠c扔r)，如果对于每个v‘V，V为G的顶点集，有d(川F)二f(x).了btte也证明了一个f因子定理(f一几dor th印~).关于上述的2因子的结果是J.几忱巧on得出的【AI].全部这些结果的一个综述由Tul加给出【AZI.〔A3】是新近的综述论文
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条