基于非負(fù)矩陣分解的基因數(shù)據(jù)子空間分類研究.pdf

1、典型的非監(jiān)督學(xué)習(xí)算法,如主分量分析(PCA)、矢量量化(VQ)、獨(dú)立分量分析(ICA)、因子分析(FA)等,均可以理解為對(duì)原始數(shù)據(jù)矩陣在一定條件限制下進(jìn)行分解.本文所研究討論的非負(fù)矩陣分解(NMF)算法與上述算法模型類似,是國(guó)際上新近提出的一種矩陣分解方法.與其他方法相比,NMF特殊之處在于其對(duì)于矩陣分解過(guò)程的非負(fù)限制,這會(huì)得到原始數(shù)據(jù)基于部分的表示,從而能更好的反映原始數(shù)據(jù)的局部特征,NMF的這一特性使得其可在諸多領(lǐng)域的應(yīng)用得到很好的

2、效果.本文將NMF引入到子空間分類中,提出了基于NMF的子空間分類方法,并從理論與實(shí)驗(yàn)上進(jìn)行全面論證.對(duì)于非負(fù)數(shù)據(jù)的模式分類問(wèn)題,由于NMF子空間的基具有對(duì)數(shù)據(jù)的良好的夾逼性,相對(duì)于基于PCA的子空間的基的無(wú)任何對(duì)數(shù)據(jù)的夾逼性而言,具有明顯優(yōu)勢(shì),從而使得運(yùn)用NMF的子空間分類方法較基于PCA的子空間分類方法有更好的分類效果.將這種方法運(yùn)用于模式分類中典型的Iris數(shù)據(jù)和真實(shí)的DNA微陣列數(shù)據(jù)(Yeast數(shù)據(jù)和MIT數(shù)據(jù))的實(shí)驗(yàn)結(jié)果表明,