图拉普拉斯约束的非负矩阵分解
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。
文件下载
评论信息
其他资源
- Qt模拟Mac Dock效果
- Xlua热更新与Unity插件及教程
- nctoolbox-20140414-beta（添加excel导出、绘图功能）
- 一个简单的php后台管理系统
- 香蕉函数matlab代码
- 国科大 数字图像处理与分析 18考题
- C++/python opencv_traincascade训练自己的检测器
- introduction-to-winapi.pdf
- envi fx使用手册
- 数据结构上机实验_栈和队列的应用_迷宫问题 （含代码和报告）
- “中国法研杯”司法人工智能挑战赛
- vr材质大全及使用说明
- 口语交际：身边的“小事”.docx
- console.log (1).zip
- 维吾尔语音素的声学特征分析
- 重庆邮电大学《学科基础导论 》历年期末考试试卷（含答案）.pdf
- WPS2013专业版
- 信号波达方向估计的发展（英文版）
- 1588 V2中文资料
- fps200指纹识别模块技术手册
- 任意形状抠图
- ad9854 DDS板 设计电路图
- java读取XML内容源代码
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明