結(jié)合ELM和非負(fù)矩陣分解的數(shù)據(jù)表示方法的研究與應(yīng)用.pdf

1、隨著信息技術(shù)的快速發(fā)展,海量高維數(shù)據(jù)不斷涌現(xiàn),高維數(shù)據(jù)明顯增加了計算,存儲的代價,給機器學(xué)習(xí),模式識別等提出嚴(yán)峻的挑戰(zhàn),如數(shù)據(jù)災(zāi)難。數(shù)據(jù)降維能有效地避免維數(shù)災(zāi)難,已經(jīng)成為圖像檢索,模式識別,機器學(xué)習(xí)等領(lǐng)域的熱點問題。其中非負(fù)矩陣分解(Non-negative Matrix Factorization,NMF),是一種強大的數(shù)據(jù)降維工具,已經(jīng)在機器學(xué)習(xí)(如分類,聚類問題)領(lǐng)域得到廣泛使用。
　　面對高維數(shù)據(jù),無約束NMF需要花費大量

2、的計算,運行速度慢。針對這一缺陷,Qing He提出的NMF結(jié)合Extreme Learning Machine(ELM)特征映射的方法(EFM NMF)可以有效的減少NMF的計算量。然而以隨機參數(shù)生成為基礎(chǔ)的ELM特征映射是非線性的,這將會降低無約束的NMF生成的子空間中數(shù)據(jù)的表示能力。
　　針對EFM NMF中數(shù)據(jù)表示能力降低的問題,本文提出一種改進的EFM NMF數(shù)據(jù)表示方法EFM GNMF。通過結(jié)合 ELM特征映射與圖正則

3、化非負(fù)矩陣分解(Graph Regularized Nonnegative Matrix Factorization,GNMF)的方法,在不降低NMF生成子空間中數(shù)據(jù)表示能力的情況下,有效減少NMF計算運行時間。
　　在當(dāng)前大數(shù)據(jù)環(huán)境下,Hadoop作為開源項目,是當(dāng)前流行的云計算平臺,其以HDFS和Mapreduce兩項核心技術(shù)為基礎(chǔ)。由于在單一節(jié)點下不能完成海量數(shù)據(jù)的存儲和分析工作,本文詳細(xì)分析了Hadoop分布式平臺,在Ma

4、preduce編程框架下,對EFM GNMF算法進行了并行化分析和實現(xiàn)。本文詳細(xì)分析了EFM GNMF并行化中的兩點:(1)Mapreduce框架下矩陣的相乘,詳細(xì)介紹幾種不同的矩陣相乘;(2)Mapreduce框架下GNMF中K近鄰圖矩陣的計算,一般的K近鄰圖矩陣計算在 Mapreduce框架下時間復(fù)雜度高,本文將介紹一種近似K近鄰的方法來構(gòu)造K近鄰圖矩陣。
　　本文將在Matlab環(huán)境下,用COIL20圖片庫,CMU PIE人