国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

這篇具有很好參考價值的文章主要介紹了【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方,請大家不吝賜教,您也可以點擊"舉報違法"按鈕提交疑問。

????????歡迎來到本博客????????

??博主優(yōu)勢:??????博客內(nèi)容盡量做到思維縝密,邏輯清晰,為了方便讀者。

??座右銘:行百里者,半于九十。

??????本文目錄如下:??????

目錄

??1 概述

??2 運行結(jié)果

??3?參考文獻(xiàn)

??4 Matlab代碼、數(shù)據(jù)、文章講解


??1 概述

文獻(xiàn)來源:

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))文章來源地址http://www.zghlxwxcb.cn/news/detail-468719.html

摘要:非負(fù)矩陣分解 (NMF) 是一種線性降維 分析非負(fù)數(shù)據(jù)的技術(shù)。NMF 的一個關(guān)鍵方面是選擇 依賴于噪聲模型(或 噪聲)假設(shè)數(shù)據(jù)。在許多應(yīng)用中,噪聲模型是未知的 而且難以估計。在本文中,我們定義了一個多目標(biāo)NMF (MO-NMF) 問題,其中多個目標(biāo)在同一 NMF 中組合 型。我們建議使用拉格朗日對偶性來明智地優(yōu)化一組 在加權(quán)和法框架內(nèi)使用的加權(quán),即 我們最小化單個目標(biāo)函數(shù),它是 all 的加權(quán)和 目標(biāo)函數(shù)。我們設(shè)計了一種基于乘法的簡單算法 更新以最小化此加權(quán)總和。我們展示了如何使用它來查找 分布穩(wěn)健的 NMF (DR-NMF) 解決方案,即 最小化所有目標(biāo)中的最大誤差,使用雙重方法解決 通過受弗蘭克-沃爾夫算法啟發(fā)的啟發(fā)式方法。我們說明 這種方法對合成、文檔和音頻數(shù)據(jù)集的有效性。這 結(jié)果表明,DR-NMF對噪聲模型的識別具有魯棒性 NMF問題。

原文摘要:

Abstract:?Nonnegative matrix factorization (NMF) is a linear dimensionality reduction technique for analyzing nonnegative data. A key aspect of NMF is the choice of the objective function that depends on the noise model (or statistics of the noise) assumed on the data. In many applications, the noise model is unknown and difficult to estimate. In this paper, we define a multi-objective NMF (MO-NMF) problem, where several objectives are combined within the same NMF model. We propose to use Lagrange duality to judiciously optimize for a set of weights to be used within the framework of the weighted-sum approach, that is, we minimize a single objective function which is a weighted sum of the all objective functions. We design a simple algorithm based on multiplicative updates to minimize this weighted sum. We show how this can be used to find distributionally robust NMF (DR-NMF) solutions, that is, solutions that minimize the largest error among all objectives, using a dual approach solved via a heuristic inspired from the Frank-Wolfe algorithm. We illustrate the effectiveness of this approach on synthetic, document and audio data sets. The results show that DR-NMF is robust to our incognizance of the noise model of the NMF problem.

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))?【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

??2 運行結(jié)果

% DR-NMF?
options.scalings = [1/solall{1}(1,end); 1/solall{end}(2,end)];?
x = x*options.scalings(1);?
y = y*options.scalings(2);?
options.distribrobust = 1;?
options.lambda = [0.5;0.5];?
fprintf('Computing the solution of DR-NMF. \n');?
[Wr,Hr,er,lam] = multiNMFbeta(X,r,options);

% Plot Pareto Front?
set(0, 'DefaultAxesFontSize', 12);
set(0, 'DefaultLineLineWidth', 2);
figure;?
plot(x,y,'o--'); hold on;?
plot(er(1,end),er(2,end),'kx','MarkerSize',12);
maxxy = min(max(x), max(y));?
plot([1 maxxy],[1 maxxy],'k--');?
xlabel('First objective');?
ylabel('Second objective');?
legend('Pareto Front', 'DR-NMF', 'x = y');?

title(sprintf('Pareto frontier for a randomly generated matrix: \n IS-NMF vs. KL-NMF, and DR-NMF'));

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

?【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

load('piano_Mary.mat');?
[m,n] = size(V);?
r = 4;?
% Initialization & parameters
options.W = rand(m,r);?
options.H = rand(r,n);?
options.beta = [0;1];?
options.distribrobust = 0;?
options.maxiter = 100;?
% IS-NMF
options.lambda = [1; 0];?
fprintf('Computing the solution of NMF with Itakuro-Saito (IS-NMF) divergence: \n');?
[Wis,His,eis] = multiNMFbeta(V,r,options);?
% KL-NMF
options.lambda = [0; 1];?
fprintf('Computing the solution of with Kullback-Leibler (KL-NMF) divergence: \n');?
[Wkl,Hkl,ekl] = multiNMFbeta(V,r,options);?
% DR-NMF?
% This is crucial: you need to specify the scaling of the objective
% functions; cf. the paper.?
options.scalings = [1/eis(1,end); 1/ekl(2,end)];?
options.distribrobust = 1;?
fprintf('Computing the solution of distributionally robust NMF (DR-NMF): \n');?
[Wdr,Hdr,edr,lam] = multiNMFbeta(V,r,options);

% Display errors
display('Values of scaled objective functions:');?
fprintf('IS error for IS-NMF = %2.2f, KL error for IS-NMF = %2.2f\n', 1,eis(2,end)/ekl(2,end));?
fprintf('IS error for KL-NMF = %2.2f, KL error for KL-NMF = %2.2f\n', ekl(1,end)/eis(1,end),1);?
fprintf('IS error for DR-NMF = %2.2f, KL error for DR-NMF = %2.2f\n', edr(1,end),edr(2,end));?
fprintf('******************************************************************************\n')

% Plot errors?
% Display
set(0, 'DefaultAxesFontSize', 9);
set(0, 'DefaultLineLineWidth', 2);
figure;?
plot( ?(eis.*repmat(options.scalings,1,size(eis,2)))' ); hold on;?
plot( ?(ekl.*repmat(options.scalings,1,size(ekl,2)))','-.');?
plot( ?edr' ,'o--');?
legend('IS error for IS-NMF', 'KL error for IS-NMF', ...?
? ? ? ? 'IS error for KL-NMF', 'KL error for KL-NMF', ...?
? ? ? ? 'IS error for DR-NMF', 'KL error for DR-NMF');
axis([0 100 0.95 10]);
xlabel('Iterations');?
title(sprintf('Comparison of IS-NMF, KL-NMF and DR-NMF \n ?for rank-4 NMF of the audio dataset \n `Mary had a little lamb'''));?
saveas(gcf, '../results/fig_Mary.png')

?【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

??3?參考文獻(xiàn)

部分理論來源于網(wǎng)絡(luò),如有侵權(quán)請聯(lián)系刪除。

【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))

??4 Matlab代碼、數(shù)據(jù)、文章講解

到了這里,關(guān)于【分布魯棒和多目標(biāo)非負(fù)矩陣分解】基于DR-NMF的對NMF問題噪聲模型的識別魯棒性研究(Matlab代碼實現(xiàn))的文章就介紹完了。如果您還想了解更多內(nèi)容,請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來自互聯(lián)網(wǎng)用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實不符,請點擊違法舉報進(jìn)行投訴反饋,一經(jīng)查實,立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費用

相關(guān)文章

  • 基于分布式魯棒性的多微網(wǎng)電氫混合儲能容量優(yōu)化配置——1

    基于分布式魯棒性的多微網(wǎng)電氫混合儲能容量優(yōu)化配置——1

    Optimal configuration of multi microgrid electric hydrogen hybrid energy storage capacity based on distributed robustness ????????儲能與微電網(wǎng)相結(jié)合是解決分布式風(fēng)能、太陽能資源不確定性、降低其對大電網(wǎng)安全穩(wěn)定影響的重要技術(shù)路徑。隨著分布式風(fēng)電和太陽能發(fā)電普及率的不斷提高,如何優(yōu)化

    2024年04月10日
    瀏覽(23)
  • 計算機視覺——day 91基于雙網(wǎng)絡(luò)的魯棒特征高光譜目標(biāo)檢測(偏門且很水?。? decoding=

    計算機視覺——day 91基于雙網(wǎng)絡(luò)的魯棒特征高光譜目標(biāo)檢測(偏門且很水啊)

    用于高光譜目標(biāo)檢測的深度網(wǎng)絡(luò)訓(xùn)練通常面臨樣本有限的問題,在極端情況下,可能只有一個目標(biāo)樣本可用。為了解決這一挑戰(zhàn),我們提出了一種新的雙網(wǎng)絡(luò)方法。針對高光譜圖像的光譜和空間特征,利用生成對抗網(wǎng)絡(luò)(GAN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)兩種神經(jīng)網(wǎng)絡(luò)對目標(biāo)進(jìn)行檢測。然

    2024年02月04日
    瀏覽(24)
  • 基于Givens矩陣的QR矩陣分解

    基于Givens矩陣的QR矩陣分解

    QR分解是一種將矩陣分解為正交矩陣和上三角矩陣的方法。在QR分解中,正交矩陣Q的轉(zhuǎn)置是它的逆矩陣,因此QR分解可以用于求解線性方程組、最小二乘問題等。 二階Givens矩陣 一般地,二階Givens矩陣記為下列形式: 其中 下面開始介紹基于Givens矩陣的QR分解算法。Givens矩陣是一

    2024年02月12日
    瀏覽(16)
  • 基于大規(guī)模測量和多任務(wù)深度學(xué)習(xí)的電子鼻系統(tǒng)目標(biāo)識別、濃度預(yù)測和狀態(tài)判斷

    基于大規(guī)模測量和多任務(wù)深度學(xué)習(xí)的電子鼻系統(tǒng)目標(biāo)識別、濃度預(yù)測和狀態(tài)判斷

    為了實現(xiàn)響應(yīng)特征的自動提取,簡化模型的訓(xùn)練和應(yīng)用過程,設(shè)計了一種雙塊知識共享結(jié)構(gòu)的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)(MTL-CNN)來訓(xùn)練E-nose系統(tǒng)的模型。該模型可以同時執(zhí)行三種不同的分類任務(wù),用于目標(biāo)識別、濃度預(yù)測和狀態(tài)判斷。 使用值為RA/RG (RA在空氣中的電阻值,RG為在目

    2024年02月09日
    瀏覽(33)
  • 基于線性準(zhǔn)則的考慮風(fēng)力發(fā)電不確定性的分布魯棒優(yōu)化機組組合(Matlab代碼實現(xiàn))

    基于線性準(zhǔn)則的考慮風(fēng)力發(fā)電不確定性的分布魯棒優(yōu)化機組組合(Matlab代碼實現(xiàn))

    ???????? 歡迎來到本博客 ???????? ??博主優(yōu)勢: ?????? 博客內(nèi)容盡量做到思維縝密,邏輯清晰,為了方便讀者。 ?? 座右銘: 行百里者,半于九十。 ?????? 本文目錄如下: ?????? 目錄 ??1 概述 ??2 運行結(jié)果 ??3?參考文獻(xiàn) ??4 Matlab代碼及文章講解

    2024年02月12日
    瀏覽(19)
  • 機器學(xué)習(xí)實戰(zhàn):Python基于SVD奇異值分解進(jìn)行矩陣分解(八)

    機器學(xué)習(xí)實戰(zhàn):Python基于SVD奇異值分解進(jìn)行矩陣分解(八)

    1.1 奇異值分解 奇異值分解( Singular Value Decomposition,SVD )是一種重要的矩陣分解技術(shù),它可以將一個矩陣分解為三個矩陣的乘積,分別為左奇異矩陣、奇異值矩陣和右奇異矩陣。SVD 的原理可以描述如下: 對于任意 m × n m times n m × n 的矩陣 A A A ,它的 SVD 分解為: A = U $

    2024年02月02日
    瀏覽(26)
  • 基于opencv的SVD分解求解變換矩陣

    基于opencv的SVD分解求解變換矩陣

    在機器視覺領(lǐng)域,坐標(biāo)系之間的轉(zhuǎn)換是必不可少的??臻g坐標(biāo)轉(zhuǎn)換的實質(zhì)是用公共點的兩套坐標(biāo)去推導(dǎo)出兩個坐標(biāo)系之間的轉(zhuǎn)換關(guān)系:R(旋轉(zhuǎn)矩陣)和T(平移向量)。 其實點云的配準(zhǔn)過程就是求解旋轉(zhuǎn)矩陣R和平移向量T,這里記目標(biāo)函數(shù)為: 式中,n是匹配點個數(shù),假設(shè)其最

    2024年02月11日
    瀏覽(15)
  • 數(shù)學(xué)建模學(xué)習(xí)(8):單目標(biāo)和多目標(biāo)規(guī)劃

    數(shù)學(xué)建模學(xué)習(xí)(8):單目標(biāo)和多目標(biāo)規(guī)劃

    優(yōu)化 優(yōu)化算法是指在滿足一定條件下,在眾多方案中或者參數(shù)中最優(yōu)方案,或者參數(shù)值,以使得某個或者多個功能指標(biāo)達(dá)到最優(yōu),或使得系統(tǒng)的某些性能指標(biāo)達(dá)到最大值或者最小值 線性規(guī)劃是指目標(biāo)函數(shù)和約束都是線性的情況 [x,fval]=linprog(f,A,b,Aeq,Beq,LB,UB) x:求得最優(yōu)情況下變量的

    2024年02月15日
    瀏覽(18)
  • 分布式魯棒優(yōu)化基礎(chǔ)知識學(xué)習(xí) | Ref:《魯棒優(yōu)化入門》「運籌OR帷幄」

    分布式魯棒優(yōu)化基礎(chǔ)知識學(xué)習(xí) | Ref:《魯棒優(yōu)化入門》「運籌OR帷幄」

    魯棒:考慮最壞情況; 分布:最壞情況的主體是環(huán)境參數(shù)的分布變量。 從數(shù)學(xué)角度說,分布式魯棒優(yōu)化囊括隨機規(guī)劃和傳統(tǒng)魯棒優(yōu)化兩種形式。 當(dāng)分布式魯棒優(yōu)化下,環(huán)境變量的分布函數(shù)獲知時,分布魯棒優(yōu)化退化為隨機優(yōu)化;僅知其不確定集時,退化為經(jīng)典魯棒優(yōu)化。

    2024年02月08日
    瀏覽(33)
  • OR青年 | 分布魯棒優(yōu)化研究報告

    OR青年 | 分布魯棒優(yōu)化研究報告

    作者信息: 胡海濤,東北財經(jīng)大學(xué),管理科學(xué)與工程學(xué)院,管理科學(xué)與工程在讀博士 本文系『OR青年計劃』成果,是胡同學(xué)在孫秋壯老師指導(dǎo)下完成。由『運籌OR帷幄』社區(qū)主辦的『OR青年計劃』,旨在幫助對運籌學(xué)應(yīng)用有理想和追求的同學(xué),近距離與學(xué)界、業(yè)界導(dǎo)師交流課

    2024年02月14日
    瀏覽(18)

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包