多元线性混合模型方差分量矩阵的非负估计

本文研究了带有两个方差分量矩阵的多元线性混合模型方差分量矩阵的估计问题.对于平衡模型,给出了基于谱分解估计的一个方差分量矩阵的非负估计类.对于非平衡模型,给出了方差分量矩阵的广义谱分解估计类,讨论了与ANOVA估计等价的充要条件.同时,在广义谱分解估计的基础上给出了一种非负估计类,并讨论了其优良性.当具有较小二次风险的非负估计不存在时,从估计为非负的概率的角度考虑,将Kelly和Mathew(1993)提出的构造具有更小取负值概率的估计类的方法推广到本文的多元模型下,给出了较谱分解估计相比有更小取负值概率和更小风险的估计类.最后,模拟研究和实例分析表明文中理论结果有很好的表现.     

组织特异性蛋白质复合体的识别

本文研究了组织特异性蛋白质复合体的识别问题.利用蛋白质相互作用网络数据以及组织特异性基因表达数据构建组织特异性蛋白网络,利用多种代表性聚类算法对该网络进行聚类,并利用非负矩阵分解对聚类结果进行合并聚类,得到了组织特异性蛋白质复合体.结果表明,聚类效果得到明显提升,并且能识别出组织特异性蛋白质复合体.     

基于聚类矩阵近似的协同过滤推荐研究

由于推荐系统中存在巨量的用户和商品,现有的协同过滤方法很难处理用户-商品推荐中的数据稀疏性和计算可扩展性问题。本文提出了一种基于聚类矩阵近似的协同过滤推荐方法CF-cluMA。一方面,CF-cluMA方法通过对用户和商品进行分别聚类,并利用聚类后的用户-商品分块评分矩阵来刻画用户对于商品兴趣的局部性特点,以降低用户-商品评分矩阵的全局稀疏性。另一方面,CF-cluMA方法通过对局部稠密分块矩阵实施奇异值分解,并利用施密特变换近似全局用户-商品评分矩阵来预测用户对未知商品评分,以降低协同过滤算法的复杂性。在EachMovie电影评分真实数据集上的实验表明,相比于已有的基于矩阵近似的协同过滤推荐方法,本文所提出的CF-cluMA方法能够有效提升推荐系统的准确性并降低推荐系统的计算复杂性。本文的研究对于电子商务推荐系统具有重要的管理启示。     

基于判别超图和非负矩阵分解的人脸识别方法

非负矩阵分解是一种流行的数据表示方法,已广泛应用于图像处理和模式识别等问题.但是非负矩阵分解忽略了数据的几何结构. 而现有的基于简单图的学习方法只考虑了图像的成对信息,并且对计算相似度时的参数选择非常敏感. 超图学习方法可以有效地解决这些问题. 超图利用超边将多个顶点相连接用以表示图像的高维结构信息. 然而, 现有的大部分超图学习方法都是无判别的学习方法.为了提高识别效果, 提出了基于具有判别信息的超图和非负矩阵分解方法的新模型, 利用交替方向法进行迭代求解新模型, 并结合最近邻方法进行人脸识别. 在几个常用标准人脸图像数据库上进行实验, 实验结果表明提出的方法是有效的.     

分类稀疏低秩表示的子空间聚类方法

近年来低秩表示和稀疏表示用于子空间聚类的研究得到了广泛关注,文献中已有许多相关的子空间聚类方法.文章结合弹性网正则化低秩表示和分类稀疏表示,提出一种分类稀疏低秩表示的子空间聚类方法.方法旨在更充分地捕获数据集的局部线性结构和全局结构信息,提高聚类性能.首先采用并行分裂的自适应惩罚的线性交替方向法求解模型,然后利用求得的系数矩阵构造相似度矩阵,最后应用谱聚类方法进行聚类.另外,取代现有方法手动调节正则化参数,文章采用自适应调节正则化参数确定目标函数中各项的权重.在人工数据集、Extended Yale B数据库和CMU PIE数据库上的实验结果表明,文章方法有更明显的聚类效果和更高的准确率.     

求解非负矩阵分解的交替非负最小二乘法的一种修正策略（英文）

本文研究了关于求解非负矩阵分解的交替非负最小二乘法的全局收敛性.利用一种修正策略保证了极限点的存在性,得到了极限点为非负矩阵分解问题的稳定点.此外,给出了推广的修正策略.数值实验结果表明上述修正策略是有效的.     

基于蒙特卡洛方法的非负矩阵分解初始化

在非负矩阵分解中,初值的选择对于算法效果有很大的影响.一些基于奇异值分解的初始化方法已有人提出~([7,8]),但当矩阵维数过大时,直接对原矩阵进行奇异值分解是耗时的.本文提出了一种更节时的初始化方法 (KFV-NMF),而且通过数值实验,此算法既在一定程度上保持了计算精度,也节省了计算时间.     

完全正矩阵的整数分解

n阶矩阵A称为完全正的,如果A有分解:A=BB^T,其中B为元素非负矩阵,B的最小可能列数称为A的分解指数.本文考察低阶双非负矩阵在整数环上的完全正分解及其分解指数.     

非负矩阵分解(NMF)初值选取的延展算法

<正>1引言在1994年P.Pattero和U.Tapper对正矩阵分解研究的文章中最早涉及非负矩阵分解(Non-negative Matrix Factorization,NMF)[1].在1999年著名杂志《Nature》刊登了两位科学家D.D.Lee和H.S.Seung对非负矩阵研究的突出成果[2],该文正式提出了NMF这种新的矩阵分解.该文的发表迅速引起了各领域中的科学研究人员的重视:一方面,科学研究中规模越来越大的数据分析方法需要通过矩阵形式进行有效处理,NMF思想为处理     

低秩稀疏矩阵恢复的快速非单调交替极小化方法

针对低秩稀疏矩阵恢复问题的一个非凸优化模型,本文提出了一种快速非单调交替极小化方法.主要思想是对低秩矩阵部分采用交替极小化方法,对稀疏矩阵部分采用非单调线搜索技术来分别进行迭代更新.非单调线搜索技术是将单步下降放宽为多步下降,从而提高了计算效率.文中还给出了新算法的收敛性分析.最后,通过数值实验的比较表明,矩阵恢复的非单调交替极小化方法比原单调类方法更有效.     

三阶单位上三角非负矩阵

根据矩阵分解性质及原子间的乘积关系,首先探究了单位上三角非负矩阵的原子因式分解性质,然后给出了任意单位上三角非负矩阵A的最小原子因式分解长度l(A)的计算公式,并得到了A具有最小的原子因式分解长度的其中一种分解,从而完善了相关文献中的结果.     

5阶图的结构完全正

1 简 介称n阶双非负矩阵,即非负半正定矩阵A为完全正的,如果A可分解为BBt,其中B是n×m的非负矩阵.或等价地,有n维非负向量β1,β2,…,βm使得A=β1β1t+…+βmβmt,B的可能最小的列数m称为A的分解指数（或A的CP秩）,记作 ψ（A）（或CPrankA）.记DPn为所有n阶双非负矩阵构成的集合;CPn为所有n阶完全正矩阵构成的集合.判断一个双非负矩阵是否为完全正以及确定它的分解指数是完全正矩阵研究的两个基本问题.对完全正矩阵的研究始于本世纪六十年代初,它的应用非常广泛,涉及组合设计     

泛正定矩阵的进一步研究

给出了泛正定矩阵的重要性质与充要条件.进而提出了新的泛正定与泛非负定矩阵子集类的定义.在其基础上给出泛正定子集类的一系列性质,尤其是推广了Minkowski不等式.最后讨论了泛非负定子集类上的一种新的矩阵偏序的性质与充要条件.     

高维稀疏精度矩阵的有效分布式估计

基于去偏的D-trace损失Lasso惩罚方法和阈值方法给出了数据分布在不同机器上高维稀疏精度矩阵的分布式估计.该方法不仅可以实现稀疏精度矩阵的非零元素正确选择,而且误差速率同非分布式估计相当.数值结果进一步表明该方法的有效性.     

矩阵不等式约束下矩阵方程AX=B的双对称解

本文讨论矩阵不等式CXD≥E 约束下矩阵方程AX=B的双对称解,即给定矩阵A,B,C,D和 E, 求双对称矩阵X, 使得AX=B 和 CXD≥E, 其中CXD≥E表示矩阵CXD-E非负.本文将问题转化为矩阵不等式最小非负偏差问题,利用极分解理论给出了求其解的迭代方法,并结合相关矩阵理论说明算法的收敛性.最后给出数值算例验证算法的有效性.     

基于矩阵变换的聚类集成优化模型

聚类集成方法能够有效综合不同的聚类结果,提高聚类的精确度和稳定性.提出了一个基于矩阵变换的聚类集成优化模型,模型通过矩阵变换代替传统方法中的聚类配准模式,使得优化模型更加简洁,然后给出了求解该优化模型的叠代算法.实验表明,提出的聚类集成方法能够有效提高聚类集成的稳定性和精确度,并且在聚类数目比较少时,算法有着较低的时间复杂度.     

基于非负矩阵分解的房地产评估模型

在房地产评估的基本方法——市场比较法中,所需统计经济指标较多且部分指标并不是消费者需求的普遍反映,该方法的使用与结果存在局限性.由于非负矩阵分解算法在对数据进行特征提取方面有较出色的表现,因此,文章首次将非负矩阵分解应用于房地产评估的数据处理中.根据分解结果,提取对房地产价值影响较大的几个指标因素进行归类,据此建立了新的市场比较法.经检验,其评估结果与实际市场成交价格接近,且新方法更简便易行.     

双向聚类方法综述

传统的聚类方法由于无法提取样本和变量间的局部对应关系,并且当数据具有高维性和稀疏性时表现不佳,因此学者们提出了双向聚类,基于样本和变量间的局部关系,同时对样本和变量进行聚类,形成一系列子矩阵的聚类结果。近年来,双向聚类发展迅速,在基因分析、文本聚类、推荐系统等领域应用广泛。首先,对双向聚类方法进行梳理与归纳,重点阐述稀疏双向聚类、谱双向聚类和信息双向聚类三类方法,分析它们之间的区别和联系,并且介绍这三类方法在多源数据的整合分析、多层聚类、半监督学习以及集成学习上的发展现状和趋势;其次,重点介绍双向聚类在基因分析、文本聚类、推荐系统等领域的应用研究情况;最后,结合大数据时代的数据特征和双向聚类存在的问题,展望双向聚类未来的研究方向。     

基于Tucker3分解的三路数据聚类方法

从两路数据聚类分析到三路数据聚类分析实质上是由平面分析到立体分析的过程。三路数据聚类方法研究的核心之一是如何把传统的两路截面数据聚类技术向三路数据聚类扩展的问题。本文基于Tucker模型的思路,提出一种先对三路数据执行矩阵分解,而后进行聚类分析的三路数据聚类方法。这种方法不但能够通过核心矩阵反映三路数据三个模式信息联系的强度大小,而且还可以在一个分解框架下对三路数据的三个模式同时进行聚类分析。实证分析结果表明,本文提出的聚类方法不但灵活、易于理解,同时也有着良好的判别性和实用性。     

大规模严格凸二次规划问题一个新算法

根据广义乘子法的思想,将具有等式约束和非负约束的凸二次规划问题转化只有非负约束的简单凸二次规划,通过简单凸二次规划来得到解等式约束一非负约束的凸二次规划新算法,新算法不用求逆矩阵,这样可充分保持矩阵的稀疏性,用来解大规模稀疏问题,数值结果表明：在微机４８６／３３上就能解较大规模的凸二次规划。