原理啥的到处都有，就直接跳过了。这里主要是NMF的基础实验。下一篇是NMF的高光谱实验总结。

1. matlab示例解说

这一节的图片来自官方文档。

这里第一和第三变量在第一行的值0.6945和0.62220对W的第一列有相当强的权重。第一个第二变量在第二行的值0.8020和0.5683对W的第二列有相当大的权重。

其中，H的转置是4乘2大小的。也就是有4个变量【SW,SL,PL,PW】，2个特征【所以是二维坐标轴X和Y轴】，转化到二维图上。使用W当做’scores’做出散点图。然后标签是这四个。

2. NMF代码与Lenna图

这个函数是拷别人的，来自这里。

function [W,H,errs,loss] = nmf_euc(V, r)
% 输入检查
% 不含负值元素
% H为系数矩阵，一列不能全为0if min(min(V)) < 0error('Matrix entries can not be negative');
end
if min(sum(V,2)) == 0error('Not all entries in a row can be zero');
end% V是一个含有n个样本的矩阵，每一列对应一个样本，每个样本为m维
[m,n] = size(V);% 随机初始化W和H矩阵
W = rand(m,r);
H = rand(r,n);% 设置最大迭代次数，保证分解结果是收敛的
niter = 10000;myeps = 1e-10;errs = zeros(niter,1);for t = 1:niterW = W .* ( (V*H') ./ max(W*(H*H'), myeps) );
%   W = normalize_W(W,1);H = H .* ( (W'*V) ./ max((W'*W)*H, myeps) );loss = sum((V-W*H).^2);errs(t) = sum(sum(loss));
end

这一段是调用该函数与matlab自带的nnmf函数进行的实验。文件lenna图在后面，是一个彩图，真实大小是512×512×3512\times 512\times 3512×512×3。所以使用了reshape函数。我知道lena是拼错的该是lenna，但懒得改。

clear
clcV=double(imread('lena.jpg'));
imshow(mat2gray(V));V = reshape(V,512,1536);
[W,H] = nnmf(V,50);
img_V=W*H;
img_V = reshape(img_V,512,512,3);
figure;
imshow(mat2gray(img_V));V = reshape(V,512,1536);
[W,H,errs,loss] = nmf_euc(V, 100);img_V=W*H;
img_V = reshape(img_V,512,512,3);
figure;
imshow(mat2gray(img_V));

分解出来W大小是512×50512\times 50512×50，H是50×153650\times 153650×1536大小。分解之后再乘回去即可复原。可以发现matlab自带的nnmf函数复原结果不好。使用的Lenna图如下，直接保存就可以用了：

nnmf分解再复原

对不起，Lenna女士。然后是nmf_euc分解再复原的。这图边界那么大是因为我直接保存图片然后复制过来的，其实该复制图窗再处理，但是懒orz

可以发现比官方的要好很多。

3. NMF与人脸识别

使用的数据集来自这里的Yale database 32乘32的data file。使用下面的代码打乱顺序并储存

leng = size(gnd,1);
lis = randperm(leng);
gnd = gnd(lis,:);
fea = fea(lis,:);
save('yaleFace.mat','gnd','fea');

此后，对数据进行NMF分解

clear
clcload('yaleFace.mat')
fea = fea';
readFace = reshape(fea,32,32,165);
for i = 1:165imshow(readFace(:,:,i)./255)
endrng(1) % For reproducibility
k = 16;
[W,H] = nnmf(fea,k);
C = reshape(W,32,32,k);
for i = 1:kimshow(C(:,:,i)./255)
end

在这里对fea转置，所以实际上fea是1024乘165的。1024=32×321024=32\times 321024=32×32，是维度。而165是样本数。在随机数种子rng(1)之前可以把原图给过一遍。此后，降维到k=16，那么W是1024×161024\times 161024×16大小的基矩阵，H是16×16516\times 16516×165的系数矩阵。

好了重点来了。我代码这么写的思路是：基矩阵就是平均脸，一共16张平均脸。16就是[W,H] = nnmf(fea,k);的k值。之后reshape成32×3232\times 3232×32的16张平均脸脸图。系数矩阵H就是把这些平均脸加权的。如果把NMF的基矩阵看做坐标轴的话，系数矩阵就是使用这些坐标轴标记出来的点。所以下一步该进行的分类聚类等算法处理的是系数矩阵H。

4. 参考资料

最后，有两篇讲挺好的文档可供参考：

文档1
文档2

非负矩阵分解（NMF）的Matlab实例与说明相关推荐

文本主题模型之非负矩阵分解(NMF)
1. 非负矩阵分解(NMF)概述非负矩阵分解(non-negative matrix factorization,以下简称NMF)是一种非常常用的矩阵分解方法,它可以适用于很多领域,比如图像特征识别 ...
【机器学习】（十七）非负矩阵分解NMF：人脸图像特征提取、用特征排序；还原混合信号
非负矩阵分解(NMF)是一种无监督学习算法,目的在于提取有用的特征(可以识别出组合成数据的原始分量),也可以用于降维,通常不用于对数据进行重建或者编码. 与PCA相同,NMF将每个数据点写成一些分量的 ...
非负矩阵分解NMF(1): 非调包python实现
文章目录 1. 矩阵分解(Matrix Factorization): 1.1 公式推导 1.2 代码实现 1.3 在图像数据下的效果 2. 非负矩阵分解(Non-negative Matrix Fa ...
详解非负矩阵分解(NMF)及其在脑科学中的应用
非负矩阵分解及其在脑科学中的应用基本原理确定最优因子数量代码实现非负矩阵分解与主成分分析的区别非负矩阵分解在脑科学中的应用应用一:神经发育模式:T2w/T1w比值映射的非负矩阵分解(NMF ...
推荐算法——非负矩阵分解(NMF)
1. 矩阵分解回顾在博文推荐算法--基于矩阵分解的推荐算法中,提到了将用户-商品矩阵进行分解,从而实现对未打分项进行打分.矩阵分解是指将一个矩阵分解成两个或者多个矩阵的乘积.对于上述的用户-商品矩阵 ...
Non-Negative Matrix Factorization 非负矩阵分解（NMF）
Non-Negative Matrix Factorization 非负矩阵分解(NMF) 简介及基本思想 1999年由D.D.Lee和H.S.Seung提出的新的矩阵分解思想,在矩阵中所有元素均为非 ...
机器学习笔记：非负矩阵分解问题 NMF
1 NMF介绍 NMF(Non-negative matrix factorization),即对于任意给定的一个非负矩阵V,其能够寻找到一个非负矩阵W和一个非负矩阵H,满足条件V=W*H,从而将一个 ...
python-非负矩阵分解-NMF
非负矩阵分解非负矩阵分解是矩阵中所有元素均为非负数约束条件下的矩阵分解,其基本思想:给定一个非负矩阵V,NMF能够找到一个非负矩阵W和一个非负矩阵H,使得矩阵W和矩阵H的乘积近似等于矩阵V中的值. ...
推荐系统笔记：基于非负矩阵分解的协同过滤
1 非负矩阵分解非负矩阵分解 (NMF) 可用于非负的评级矩阵. 这种方法的主要优势不一定是准确性,而是它在理解用户-项目交互方面提供的高度可解释性. 与其他形式的矩阵分解的主要区别在于因子 U 和 ...
大数据聚类分析用于预测_多模态数据中的非负矩阵分解用于分割和标签预测
引用 Akata Z, Thurau C, Bauckhage C. Non-negative matrix factorization in multimodality data for segme ...

非负矩阵分解（NMF）的Matlab实例与说明

1. matlab示例解说

2. NMF代码与Lenna图

3. NMF与人脸识别

4. 参考资料

非负矩阵分解（NMF）的Matlab实例与说明相关推荐

最新文章

热门文章