- 科学出版社
- 9787030811745
- 1版
- B5
- 2025-12
内容简介
本书从经典的无监督特征表示学习和降维方法——非负矩阵分解（non-negative matrix factorization，简称NMF）入手，针对其现存的关键问题，通过与深度学习等方法优势互补，讨论了相应的模型构建及其优化求解，并进一步分析了模型的收敛性、相合性、稳定性及学习性能等。首先，引入深度学习的深层表示和逐层预训练策略，以缓解NMF模型对初值的敏感问题；其次，受自适应弹性网启发，在模型中考虑行正则约束，以解决NMF模型分解秩的自适应获取问题；再次，引入增量学习策略，以解决NMF模型在大数据情况下的实时实现问题；最后，结合贝叶斯理论，在NMF模型中考虑数据分布特性，并基于具有高维小样本特性的国际公用基因数据库和影像数据库开展实验，验证了所构建模型的性能。
