非负矩阵分解及其在模式识别中的应用

矩阵的QR分解以及相关应用，包括矩阵的三角分解，矩阵的满秩分解，矩阵的QR分解。

矩阵分解是实现大规模数据处理与分析的一种有效工具。矩阵的非负矩阵分解NMF(Non-Negative Matrix Factorization)变换是一种正交变换,是在矩阵中所有元素均为非负的条件下对

非采样Contourlet变换（NonsubsampledContourlettransform，NSCT）是一种新的多尺度变换，它同时具有方向性、各向异性和平移不变性，能有效地表示图像的边沿与轮廓。

针对超高维数据进行非负矩阵分解的计算代价大，特征提取速度慢问题，提出一种非负矩阵分解的快速算法。该算法通过代数变换，把对原高维矩阵的非负分解转换成非负的低维矩阵的非负分解，其求解过程只需要对一个阶数等

实际数据通常由多种模式或不同视图组成,这两种模式或视图相互提供补充和共识性信息。 探索这些信息对于多视图数据聚类和分类很重要。 多视图嵌入是一种用于多视图数据的有效方法,它揭示了不同视图共享的共同潜在

直接对高维网络连接数据进行处理会出现维数灾难问题，因此，需要对其进行维数约简。非负矩阵分解不仅能对高维数据进行降维，而且使矩阵在分解后的所有分量均为非负值，符合网络连接数据的语义特征。将其应用到入侵检

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前,主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好,但求解困难;L1 求解方便,但稀疏性差。提出一种近似稀疏模.型,并将其

该文档详细介绍了非参数估计的方法，即直接用已知类别样本去估计总体密度分布的方法，包括概率密度估计，Parzen窗估计，Kn-近邻估计，最近邻规则，并介绍了一些改进的近邻估计法，是十分有启发性的讲义。

本书所描述的核方法为所有这些学科提供了一个有力的和统一的框架，推动了可以用于各种普遍形式的数据(如字符串、向量、文本等)的各种算法的发展，并可以用于寻找各种普遍的关系类型(如排序、分类、回归和聚类等)

本书全面阐述了模式识别的基础理论、最新方法以及各种应用。模式识别是信息科学和人工智能的重要组成部分，主要应用领域有图像分析、光学字符识别、信道均衡、语言识别和音频分类等。本书在完美地结合当前的理论与实