摘要: 非负矩阵分解是一种提取特征的工具，能快速地提取高维数据的局部特征。虽然非负矩阵分解已经应用到各种领域，但是非负矩阵分解始终只能做到单次地批处理数据，而且无法在数据经常变化的情况下快速地处理数据。随着数据的多元化和复杂化，现实生活中... 展开 非负矩阵分解是一种提取特征的工具，能快速地提取高维数据的局部特征。虽然非负矩阵分解已经应用到各种领域，但是非负矩阵分解始终只能做到单次地批处理数据，而且无法在数据经常变化的情况下快速地处理数据。随着数据的多元化和复杂化，现实生活中的数据已经是在无时无刻地大幅度地发生变化。很显然，非负矩阵分解不适合处理这种类型的数据，所以需要一种在线形式的提取特征方法。本文列举经典的非负矩阵分解及其最近的改进算法，并且提出一种新型的在线形式的非负矩阵分解方法。 本文会详细地介绍非负矩阵分解算法。首先，本文详细地描述了本课题的国内外研究现状，具体地阐述了背景意义；然后，本文简要地介绍了传统非负矩阵分解的原理，目标函数和迭代推导公式；再者；本文分别介绍各种改进后的批处理形式的非负矩阵分解算法，并详细地介绍每一种算法的数学表达式，特性和目的，指出了批处理形式的非负矩阵分解的缺点；最后，针对批处理形式的非负矩阵分解不适合处理实时更新的数据流的问题，本文提出增量非负矩阵分解，还列举了各种在线形式的非负矩阵分解算法，对算法从批处理形式转换成在线形式的过程进行详细的介绍。 本文的主要研究内容是提出了一种在线学习非负矩阵分解。该算法在非光滑非负矩阵分解算法的模型上，引入了增量学习的形式，并利用了选择遗忘法推导其迭代更新公式。在线学习非负矩阵分解算法可以在线处理数据。因为该算法每次迭代更新只需要对新数据进行处理，就能提取一个新的特征矩阵，极大地减少了迭代更新的计算量。该算法能够得到稀疏度较高的矩阵。在实验部分，首先证明该算法的收敛性和稳定性；然后，采用2个人脸数据集和1个随机数据集与其他三种在线形式的NMF进行特征矩阵稀疏度比较实验。实验结果表明在线学习非负矩阵分解算法提取出来的特征矩阵在稀疏度方面最高；最后，采用脑电信号数据集进行四种在线处理形式的NMF算法的左脑信号和右脑信号的分类实验。实验结果表明在线学习非负矩阵分解算法分类准确率是最优的，但是时间方面不占优势。 收起