论文研究基于图正则化的半监督非负矩阵分解.pdf

提出了一种基于图正则化的半监督非负矩阵分解算法（GSNMF），克服了非负矩阵分解（NMF）、约束非负矩阵分解（CNMF）和图正则化非负矩阵分解（GNMF）方法忽略样本数据的局部几何结构或标签信息不足的缺陷，且NMF、CNMF和GNMF均为GSNMF的特例。也从理论上证明了GSNMF算法的收敛性。该算法对样本数据进行低维非负分解时，在图框架下既保持数据的几何结构，又利用已知样本的标签信息，在进行半监督学习时，同类样本能更好地聚集而类间距离尽可能大。在人脸数据库ORL、FERET和手写体数据库USPS上的仿真结果表明，相对于NMF及其一些改进算法，GSNMF均具有更高的聚类精度。