针对高光谱图像中含有大量混合像元，且大多数解混算法未能利用真实地物信息的问题，提出了一种利用先验信息约束的非负矩阵分解方法对高光谱进行解混。首先利用顶点成分分析法和全约束最小二乘法分别对端元矩阵和丰度矩阵进行初始化，然后利用本文算法对高光谱数据进行解混，最后对估计端元和估计丰度进行评价分析。实验显示，利用本文提出的方法对数据解混的结果优于其他约束的非负矩阵分解算法得到的结果，在求解过程中有很好的抗噪性能。

非负矩阵分解的matlab代码,内容全，适用于各种信号的分析 非负矩阵分解的matlab代码,内容全，适用于各种信号的分析

nmf的matlab代码QRPBB-NMF方法 用于非负矩阵分解的二次正则投影Barzilai-Borwein方法的Matlab实现。 随附的论文可以在以下位置找到 请引用随附的论文： 黄亚奎，刘宏伟，周水生。 用于非负矩阵分解的二次正则投影Barzilai-Borwein方法。 数据挖掘与知识发现，2015，29（6）：1665-1684。 注意：该代码适用于m> n的输入矩阵V（mxn）。 如果m <= n，则将其应用于V ^ T的速度更快。 可以通过电子邮件将评论发送到。 欢迎任何评论！

前面看到有人在找m版本的其实国外的很多 发个简单的，希望有所帮助

nmf的matlab代码 RDNMF ================================================== 这是RDNMF的辅助代码。 该代码在Matlab中实现，并在2011b版本中进行了测试。 您需要执行以下操作才能运行： 下载数据集并将其放入文件夹数据为了方便起见，我们已经将ORL_32x32.mat放在Data \ 运行ORLtest.m文件ORLtest.m是一个配置文件，用于分配数据集和参数。 重要参数：Rd：字典中可区分部分的大小Rt：可容纳离群值的字典大小alpha：可区分部分的权重beta：鲁棒部分的权重KNNK = KNN分类器中最近邻居的数量。 ct：最终识别率是ct倍的平均值。 （以减弱随机初始化带来的影响。） ================================================== == 其他主要功能： Main.m Main.m包含五种方法（KNN，NMF，RNMF，DNMF，RDMNF）。 在本文中比较的其他方法的实现可以参考第四节。 B． Imodel.m Main.m调用Imodel.m进行字

肌肉紧张 文件“ muscle_synergies.R”包含一个脚本，该脚本允许通过基于无监督机器学习的线性分解从肌电图（EMG）数据中提取肌肉协同作用。 具体而言，由于EMG生物信号的非负性质，我们在这里采用了非负矩阵分解（NMF）框架。 但是，该方法可以应用于从时间序列到图像的任何其他类型的数据集。 运行脚本的快速说明 并安装 并安装 并安装 该存储库，或者，如果您是GitHub的新手，则可以查看或手动下载该存储库 用RStudio打开项目文件“ musclesyneRgies.Rproj” 在项目中，打开脚本“ muscle_synergies.R”，然后使用“源代码”或“ Ctrl + Shift + S”（Windows和Linux用户）或“ Cmd + Shift + S”（Mac用户）运行它。 该代码会生成一些诊断消息，这些消息将指导您完成以下过程： 原始EMG过滤和归

图多NMF特征聚类 介绍 进行代码。 受流形学习和多视图非负矩阵分解（NMF）的启发，我们引入了一种新的基于局部图正则化的多视图NMF特征提取方法，其中考虑了数据之间的内视图相关性。 通过构造一个最近邻图来整合每个视图的局部几何信息，并应用两个迭代更新规则来有效地解决优化问题，从而提出矩阵分解目标函数。 请引用以下信息： @inproceedings{wang2015multi, title={Feature Extraction via Multi-view Non-negative Matrix Factorization with Local Graph Regularization}, author={Wang, Zhenfan and Kong, Xiangwei and Fu, Haiyan and Li, Ming and Zhang, Yujia}, bo

描述 Python NMF到WAV转换器。 Nmf文件结构是通过Nice Audio Player反编译获得的。 该脚本使用struct模块查找原始音频数据，并将其通过管道推送到ffmpeg。 用法： python nmf_converter.py path_to_nmf_file

NMF 非负矩阵分解 相关资料 程序 PPT A new nonnegative matrix factorization for independent component analysis Blind Image Separation Using Nonnegative Matrix Factorization with Gibbs Smoothing Gribonval_Zibulevsky_SCA_chapter Unmixing fMRI with independent component analysis 非负矩阵分解算法综述 基于非负矩阵分解算法进行盲信号分离 非负矩阵分解在图像分析中的应用.nh 基于功能核磁共振成像的右脑额下回情绪处理_英文_ nmf.m NMF.ppt 等

Algorithms for Non-negative Matrix Factorization