买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供一种基于交替分解的深度鲁棒非负矩阵分解方法，包括，首先利用深度学习思想构建出全新的NMF特征提取模型框架，采用全新的交替分解深度提取框架，逐层深入提取图像信息，更全面捕捉图像结构和纹理，并通过优化权重表示，提取出具有最具代表性和区分性的特征描述；同时，通过加性更新规则求得上述模型的近似解，推导出一种收敛速度更快的更新算法规则。实验结果表明，随着SAR目标训练样本的数量增加，本发明提出的算法在各种数据规模的测试中均表现出卓越的准确率，显著提升了特征提取的精度和目标识别的准确性，充分证实了其在复杂实际环境中的高效性和鲁棒性。

主权项：1.一种基于交替分解的深度鲁棒非负矩阵分解方法，其特征在于，包括如下步骤：步骤1.对现有图像样本进行数据处理，表示为数据矩阵V，假设数据矩阵V∈Rm×n，即样本个数为n，每一列表示一张包含m个特征的图像样本，若一张图像大小为p×p，即m＝p2，对V进行归一化处理，将数据从[0，255]转化为[0，1]，并随机打乱；步骤2.对现有的数据矩阵V进行训练，使用交替鲁棒非负矩阵分解初始化，得到每一层初始化的基矩阵W、系数矩阵H以及对角元素矩阵D，假设深层次框架结构共有l层，第一层分解数据矩阵V，在此之后，当目前层次u为奇数时，进行基矩阵W的分解；当目前层次u为偶数时，进行系数矩阵H的分解；设i层分解矩阵为第i层分解矩阵vi的行数为Mi，第i层分解矩阵vi的列数为Ni，每层降维维度为ri，该层的损失函数为： 根据KKT条件，Wi表示第i层的基矩阵，Hi表示第i层的系数矩阵，得到Wi和Hi的更新迭代规则为： 其中a＝1，…，Mi；b＝1，…，Ni；t＝1，…，ri；a表示行数的参数；b表示列数的参数，t是降维维度ri的参数；以上更新迭代规则交替执行，即当Hi完全更新后，才进行Wi的更新；步骤3.在初始分解的基础上，构建一个多层的深度分解模型，分解过程如下：V＝W1H1H1＝W2H2W2＝W3H3…Wl-2＝Wl-1Hl-1Hl-1＝WlHl假设深层框架为l层，设当前层为k层，若k＝1，对原始数据矩阵V进行分解，得到V＝W1H1，在此之后，若k为偶数则分解系数矩阵H，即Hk＝Wk+1Hk+1，Hk是k层的分解矩阵；若k为奇数则分解基矩阵W，即Wk＝Wk+1Hk+1，Wk为k层的分解矩阵；S301.l为奇数设l＝2k-1；1损失函数 2W的更新规则引入以下参数：PW表示在损失函数中所求W左侧所有W的乘积，QW表示在损失函数中所求W右侧所有W的乘积，DW是对损失函数求偏导数得到的对角矩阵，以及AH损失函数中所有H的乘积； 其中，损失函数中从左到右第i个W对应的PW；W2y-1对应于损失函数中第y个W； 是损失函数中从左到右第i个W对应的QW； 是损失函数中从左到右第i个W对应的DW；W2i-1表示损失函数中第i个W，2i-1是脚标，W2i-1代表第2i-1层的W；其中i＝1，2，…，k；括号内的内容代表相应公式的边界条件，矩阵D为对角矩阵；AH＝H2k-1H2k-2…H4H2计算F关于Wi的偏导： 选择步长： 由此得到W2i-1的更新规则： 3H的更新规则引入以下参数：PH表示在损失函数中所求H左侧所有H的乘积；QH表示在损失函数中所求H右侧所有H的乘积；DH对损失函数求偏导数得到；以及Aw为损失函数中所有W的乘积； 为损失函数中从右到左第j个H对应的PH； 为损失函数从右到左第j个H对应的QH； 是损失函数中从左到右第j个H对应的DH；其中j＝1,2,…k；AW＝W1W3…W2k-1计算F关于Hj的偏导： 选择步长： 由此得到H的更新规则： S302.l为偶数设l＝2k；1损失函数F＝||V-W1W2…W2k-1W2kH2k…H4H2||2，1 2W的更新规则引入以下参数：PW代表在损失函数中所求W左侧所有W的乘积；QW代表在损失函数中所求W右侧所有W的乘积；DW是对损失函数求偏导数得到的对角矩阵；以及AH是损失函数中所有H的乘积； 损失函数中从左到右第i个W对应的PW；W2y-1对应于损失函数中第y个W； 是损失函数中从左到右第i个W对应的QW； 是损失函数中从左到右第i个W对应的DW；其中i＝1，2，…，k+1；AH＝H2k…H4H2计算F关于Wi的偏导： 选择步长： 由此得到Wi的更新规则： 3H的更新规则引入以下参数：PH表示在损失函数中所求H左侧所有H的乘积；QH表示在损失函数中所求H右侧所有H的乘积；DH对损失函数求偏导数得到；以及AW为损失函数中所有W的乘积； 为损失函数中从右到左第j个H对应的PH； 为损失函数从右到左第j个H对应的QH； 是损失函数中从左到右第j个W对应的DH；其中j＝1，2，…，k；AW＝W1W3…W2k-1W2k计算F关于Hj的偏导： 选择步长： 由此得到Hj的更新规则： 步骤4.基矩阵W完成更新后，在特征空间内对训练样本与测试样本进行深入处理；S401.进行分类器训练，将所有训练样本重新投影： 其中，Htrain∈Rr×n是训练样本矩阵Vtrain∈Rm×n在特征空间AW上的投影，使用训练集数据的特征表示Htrain以及相应标签训练SVM分类器；S402.对测试样本进行投影： 其中，Htest∈Rr×q是测试样本矩阵Vtest∈Rp×q在特征空间AW上的投影，利用训练好的SVM分类器对测试集数据的特征表示Htest进行分类，得到预测标签，比较SVM分类其的预测标签与测试集实际标签，计算识别准确率。

全文数据：

权利要求：

百度查询： 成都理工大学 一种基于交替分解的深度鲁棒非负矩阵分解方法