基于Python3.7实现人脸图像特征提取与对比，调用NMF算法和PCA算法。
包括源程序和结果图片。
包括源程序和结果图片。
2023/11/25 1:48:53
113KB
1
----------------------------------------------------------------------------READMEfilefornmfpack----------------------------------------------------------------------------PatrikHoyerAugust03,2006Version1.1ThisMatlabpackageimplementsandtestsvariousversionsofnon-negativematrixfactorization(NMF).Thispackageisassociatedwiththearticle:PatrikOHoyer.'Non-negativematrixfactorizationwithsparsenessconstraints'JournalofMachineLearningResearch5:1457-1469,
2023/6/30 12:15:13
12.99MB
1
非负矩阵分解(NonnegativeMatrixFactor)，简称NMF，是由Lee和Seung于1999年在自然杂志上提出的一种矩阵分解方法[1]，它使分解后的所有分量均为非负值(要求纯加性的描述)，并且同时实现非线性的维数约减。
NMF已逐步成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。
NMF已逐步成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。
2016/1/5 18:58:57
873B
1
非负矩阵分解(NonnegativeMatrixFactor)，简称NMF，是由Lee和Seung于1999年在自然杂志上提出的一种矩阵分解方法[1]，它使分解后的所有分量均为非负值(要求纯加性的描述)，并且同时实现非线性的维数约减。
NMF已逐步成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。
NMF已逐步成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。
2018/2/1 4:43:58
873B
1
在现实生活中，往往存在着大量多维数据，例如视频流数据，文本数据，RGB图像等。
传统的方法往往通过某种方式将多维数据重新排列成矩阵方式，利用矩阵分析方法，例?蛔PCA，SVD，NMF，进行特征提取、聚类、分类等操作，这无疑破坏了数据原本的空间结构，增加了分析结果的不准确性，而张量在分析数据的同时，能够保持多维数据的空间结构不被破坏，这极大地引起了学者们的研究热情。
张量即多维数组，它是向量和矩阵在高维上的推广，目前被广泛应用在计算机视觉、数据挖掘、信号处理等领域。
本文着重研究三阶非负张量分解问题，回顾三阶张量的非负分解模型(NTVl，阐述了算法的思想及实现过程。
接着，从张量投影的角度出发，建立了基于张量投影的非负分解模型(NTPM)，阐述了模型的想法，并给出了相应的算法公式。
在收敛性分析中，给出并证明了模型KKT条件的一个等价方式以及算法收敛性定理。
实验结果表明基于张量投影的非负分解模型，相比于原有的非负分解模型，在运行时间以及逼近误差上有了一定程度的改进。
最后，讨论了NTPM模型今后研究的方向。
传统的方法往往通过某种方式将多维数据重新排列成矩阵方式，利用矩阵分析方法，例?蛔PCA，SVD，NMF，进行特征提取、聚类、分类等操作，这无疑破坏了数据原本的空间结构，增加了分析结果的不准确性，而张量在分析数据的同时，能够保持多维数据的空间结构不被破坏，这极大地引起了学者们的研究热情。
张量即多维数组，它是向量和矩阵在高维上的推广，目前被广泛应用在计算机视觉、数据挖掘、信号处理等领域。
本文着重研究三阶非负张量分解问题，回顾三阶张量的非负分解模型(NTVl，阐述了算法的思想及实现过程。
接着，从张量投影的角度出发，建立了基于张量投影的非负分解模型(NTPM)，阐述了模型的想法，并给出了相应的算法公式。
在收敛性分析中，给出并证明了模型KKT条件的一个等价方式以及算法收敛性定理。
实验结果表明基于张量投影的非负分解模型，相比于原有的非负分解模型，在运行时间以及逼近误差上有了一定程度的改进。
最后，讨论了NTPM模型今后研究的方向。
2020/1/16 23:33:02
2.75MB
1
NMF是一种新的矩阵分解算法，它将1个非负矩阵分解为左右2个非负矩阵的乘积。
由于分解前后的矩阵中仅包含非负的元素，因而原矩阵中的列向量可以解释为对左矩阵中所有列向量(称为基向量)的加权和，而权重系数为右矩阵中对应列向量中的元素。
由于分解前后的矩阵中仅包含非负的元素，因而原矩阵中的列向量可以解释为对左矩阵中所有列向量(称为基向量)的加权和，而权重系数为右矩阵中对应列向量中的元素。
2016/11/15 17:43:41
2KB
1
----------------------------------------------------------------------------READMEfilefornmfpack----------------------------------------------------------------------------PatrikHoyerAugust03,2006Version1.1ThisMatlabpackageimplementsandtestsvariousversionsofnon-negativematrixfactorization(NMF).Thispackageisassociatedwiththearticle:PatrikOHoyer.'Non-negativematrixfactorizationwithsparsenessconstraints'JournalofMachineLearningResearch5:1457-1469,
2015/5/22 13:43:12
12.99MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB