核糖核酸 这是强大的非负矩阵分解 (rNMF) R 包的开发存储库。 rNMF 将具有潜在损坏的高维非负数据集分解为两个具有单独异常值集的低秩矩阵的乘积。 包小插图： : 安装 要从 CRAN 安装和加载已发布的包，请在 R 中运行以下命令： install.packages("rNMF") library(rNMF) 要安装开发版本，请在 R 中运行以下命令： install.packages("devtools") library(devtools) install_github("RandomSeeds/rNMF") library(rNMF) 使用包 包裹的小插图是 要查看主函数的帮助，请运行： ?rnmf 要查看示例，请执行以下操作： example(rnmf)

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

盲源分离 (BSS) 方法的目标是估计混合系统的物理源。 大多数 BSS 模型可以代数表示为将数据矩阵分解为因子矩阵的某种形式： X = 亚行' 没有一些先验知识或没有特定约束，就不可能唯一地估计原始源信号。 然而，通常 X 可以是非负的，并且 X 的相应隐藏分量可能只有在非负时才具有物理意义。 在实践中，非负矩阵分解（NNMF）和数据的稀疏成分分析（SCA）对于潜在的潜在成分进行物理解释可能是必要的。 在标准的 NNMF 中，我们只假设因子矩阵 A 和 B 的非负性，并且与 ICA 不同，我们不假设源是独立的。 为了估计因子矩阵 A 和 B，我们需要量化成本函数，即数据矩阵与 NNMF 模型之间的距离。 最简单的距离度量基于 Frobenius 范数。 这种成本的交替最小化导致交替最小二乘（ALS）算法：在此方法中，在对A进行初始随机初始化之后，迭代执行A固定为B的A和B固定为A的B的

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

深矩阵分解模型 “推荐系统的深矩阵分解模型”的实现 见论文： : 要求 可以按以下要求运行此代码，但不限于： Python= 3.5.3 张量流gpu = 1.5.0 numpy = 1.14.0 + mkl 上面要求的其他安装依赖性 使用例 指令说明已在代码中明确说明。 python Model.py 后记 作为学习者，代码中可能存在一些错误。 请随时告知。

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。

矩阵论课件 矩阵论PPT（线性空间 内积空间 矩阵标准型 矩阵分解.....）