异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开，可以极大地减弱异常目标对背景的污染。基于此，提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法，通过LRaSMD的方式获取背景集，通过稀疏表达的方式从背景集中构建背景字典模型，最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证，实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。

1 非负矩阵分解（NMF或NNMF），也是非负矩阵逼近是多元分析和线性代数中的一组算法，其中矩阵V被分解为（通常）两个矩阵W和H ，具有所有三个矩阵都没有负元素的性质。这种非负性使生成的矩阵更容易检查。此外，在处理音频频谱图或肌肉活动等应用中，非负性是所考虑的数据所固有的。由于该问题通常不能完全解决，因此通常用数值近似。 2 适合机器学习，数值优化，图像处理，信号处理等专业的初学者进行分析和学习。 3 语音去噪一直是音频信号处理中长期存在的问题。如果噪声是静止的，则有许多去噪算法。例如，维纳滤波器适用于加性高斯噪声。然而，如果噪声是非平稳的，经典的去噪算法通常性能较差，因为非平稳噪声的统计信息难以估计。施密特等人。使用NMF在非平稳噪声下进行语音去噪，这与经典的统计方法完全不同。关键思想是干净的语音信号可以用语音字典稀疏地表示，但非平稳噪声不能。类似地，非平稳噪声也可以用噪声字典稀疏表示，但语音不能。NMF去噪算法如下。两个字典，一个用于语音，一个用于噪声，需要离线训练。

[ 协同过滤与隐语义模型推荐系统实例1: 数据处理 ] [ 协同过滤与隐语义模型推荐系统实例2: 基于相似度的推荐 ] 隐语义模型推荐 基于矩阵分解（SVD）的推荐 # 先计算歌曲被当前用户播放量/用户播放总量 当做分值 triplet_dataset_sub_song_merged_sum_df = triplet_dataset_sub_song_merged[['user', 'listen_count']].groupby('user').sum().reset_index() triplet_dataset_sub_song_merged_sum_df.rename(columns

本文分别介绍了两种矩阵分解的方法— — — QR分解和SVD分解。并引入罗贝尼乌斯 (Frobenius) 范数 对以上两种矩阵分解方法分别进行降秩度量。最后用实例模拟了SVD分解和 F范数评估, 得出一些有益的结论。

协同过滤中的矩阵分解算法研究.pdf

将SVD应用于推荐系统中的评分预测问题

里面有直接采用c++一步一步计算orb特征的过程，可以帮助理解如何计算orb特征，还有slam中如何将计算得到的本征矩阵分解为旋转矩阵和平移向量。

细节增强的matlab代码DMFLDA2 这是一个深度学习框架，可通过整合线性和非线性特征来增强用于预测lncRNA-疾病关联的传统矩阵分解方法。 要求 tensorflow == 1.3.0 numpy == 1.11.2 scikit-learn == 0.18 scipy == 0.18.1 用法 在这个GitHub项目中，我们提供了一个演示来展示DMFLDA的工作原理。 在data_processing文件夹中，我们提供了我们在研究中使用的以下数据集。 lda_interMatrix.mat是具有matlab格式的原始lncRNA-疾病相互作用矩阵。 它的形状是577个lncRNA x 272种疾病。 matrix.npy是numpy格式的lncRNA-疾病相互作用矩阵。 data.pkl用于存储采样的正样本和负样本。 u_feature.npy是我们研究中使用的SVD技术的U矩阵，其形状为577x64。 v_feature.npy是我们研究中使用的SVD技术的V矩阵，其形状为272x64。 在我们的演示中，我们提供了留一法的交叉验证来评估我们的模型。 您可以使用cross_v

串行的SGD矩阵分解算法会遇到可扩展性问题，为了减少运算时间可以进行并行化处理。

求解nmf的工具箱，有nmf_mm.nmf_colin等