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

图像融合的非负矩阵分解算法，讲的很详细，适合学一下，如果做图像的话

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

农夫 正交非负矩阵分解的两种算法

非负矩阵分解（NMF）被证明是一种非常有效的分解方法，可用于数据分析中的降维，并且已广泛应用于计算机视觉，模式识别和信息检索中。 但是，NMF实际上是一种不受监督的方法，因为它无法利用有关数据的先验知识。 在本文中，我们提出了使用图拉普拉斯算子（CNMF-GL）进行约束的非负矩阵分解，该方法不仅利用了几何信息，而且还适当地使用了标签信息来增强NMF。 具体来说，我们期望图的正则化项能够保留原始数据的局部结构，同时具有相同标签和具有不同标签的数据点将具有相应的约束条件。 结果，学习的表示将具有更大的辨别力。 图像聚类的实验结果证明了该算法的有效性。

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

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前，主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好，但求解困难；L1 求解方便，但稀疏性差。提出一种近似稀疏模.型，并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中，将观测矩阵进行多层次稀疏分.解，提高非负矩阵分解高光谱解混的精度，提升算法的收敛性。仿真数据和真实数据实验表明：该算.法能够避免陷入局部极值，提高非负矩阵分解高光谱解混性能，算法精度上比其他几种算法都有较大.的提升效果，RMSE 降低 0.001~1.676 7，SAD 降低 0.002~0.2443。

许多复杂的系统由通过不同层的耦合网络组成，其中每个层代表许多可能的交互类型之一。 一个基本的问题是如何在多层网络中提取社区。 当前算法要么将多层网络分解为单层网络，要么通过使用共识聚类扩展单层网络的算法。 但是，由于批评这些方法忽略了各层之间的连接，从而导致精度低。 为了解决这个问题，提出了一种定量函数（多层模块密度），用于多层网络中的社区检测。 之后，我们证明了多层模块化密度的迹线优化等效于算法的目标函数，例如内核K均值，非负矩阵分解，频谱聚类和多视图聚类。层网络，为设计社区检测算法提供了理论基础。此外，通过同时分解与多层网络相关的矩阵，开发了一种半监督联合非负矩阵分解算法（S2-jNMF）。 与传统的半监督算法不同，部分监督被集成到S2-jNMF算法的目标中。 最后，通过在人工和现实世界网络上的大量实验，我们证明了所提出的方法优于多层网络中用于社区检测的最新方法。

软阈值matlab代码用于语音分离的深度递归非负矩阵分解（DR-NMF）的实现 DR-NMF是一个递归神经网络，它是由应用于稀疏NMF推理的迭代软阈值算法（ISTA）的展开迭代构建而成的。 稀疏NMF推论是在给定非负字典W的情况下推论非负稀疏系数H的任务，使得WH逼近非负观察矩阵X。对于语音分离，观察矩阵X是有声音频的原始频谱图，并且对字典W进行分区变成语音和噪声成分。 字典W的这种划分允许在STFT域中计算增强掩码。 在这里阅读论文： 指示： 使用，可以从中获得。 设置环境（更新05-03-19）。 此代码取决于某些较旧版本的软件包（请参阅。要设置conda环境，请运行以下命令： conda create --name drnmf_orig3 cudnn=5.1 gxx_linux-64=5.4.0 python=2.7 theano=0.9.0 numpy=1.11 pygpu=0.6.9 pip install keras==2.0.4 librosa==0.5.1 joblib==0.11.0 hickle jupyter 通过运行下载所需的工具箱。 通过用本地CHiME2路径