简介：Inthispaper,wegivethesensitivityanalysesbytwoapproachesforL,D,UinfactorizationA=LDUofgeneralperturbationsinAwhichsufficientlysmallinnorm.Bythematrix-vectorequationapproach,wederivethesharpcoaitionnumberforL,DandUfactors.Bythematrixequationapproachwederivecorrespondingconditionestimates.WhenAisasymmetricmatrix,thecorrespondingresultscanbeobtainedforLDLTfactorization.

简介：我们考虑决定作为生气的节有一条开的弧的薄绝缘的无限的柱体的形状的反的散布问题。假设电场在TM模式被极化，这为在R2在一条开的弧的外表定义的Helmholtz方程导致一个混合边界价值问题。我们假定弧混合了Dirichlet阻抗边界状况，并且试着由使用因式分解方法通过远地模式恢复弧的形状。然而，我们不能使用樱桃酒介绍对待远地操作员F的基本定理，并且一些辅助操作员不得不被考虑。到我们的问题的因式分解方法的理论确认在这份报纸被给，并且一些数字结果被介绍显示出我们的方法的生存能力。[从作者抽象]

简介：在这份报纸，我们学习一个乐队抑制nonnegative矩阵因式分解(乐队NMF)问题：为给定的nonnegative矩阵Y，与A作为Y斧子分解它一个nonnegative矩阵和X一个nonnegative块乐队矩阵。这个因式分解模型扩大一个单个低等级subspace模型到几重叠低等级subspaces的混合物，它能不仅提供稀少的表示，而且能从数据集捕获重要组织结构。基于重叠subspace聚类和在附近的subspaces之间的重叠的水平的俘获，二个简单、实际的算法被介绍解决乐队NMF问题。合成数据和真实图象数据的数字实验证明乐队NMF在数据表示提高NMF的性能并且处理。

简介：<正>Inthispaper,weprovethatthesetofallfactorizationindicesofacompletelypositivegraphhasnogaps.Inotherwords,wegiveanaffirmativeanswertoaquestionraisedbyN.KoganandA.Berman[8]inthecaseofcompletelypositivegraphs.

简介：TheauthorsgivesomeconstructivefactorizationtheoremsforpluriharmonicmapsfromaKaehlermanifoldintotheunitarygroupU(N)andobtainsomeoptimalupperboundsofminimalunitonnumbers.

简介：在研究了非负矩阵分解（NMF）用于遥感图像融合技术的基础上，改进了一种基于光谱复原的NMF遥感图像融合算法，首先利用矩阵非负性分解求取图像的基向量矩阵，然后综合考虑图像融合后的光谱特性和波形变化情况，对基向量矩阵进行直方图规则化处理，最后得到融合后的图像。实验结果表明，该方法具有较好保持原始图像的光谱信息和空间信息的优点。

简介：Weconsiderinthispapertheproblemofrecursiveidentificationforstochasticsystemswhenthenoisemodeldoesnotsatisfythepositiverealconditionassociatedwithconvergenceofstandardalgorithms.Toavoidthepositiverealcondition,adaptivespectralfactorizationtechniquesareexploitedonthebasisofaclassofnon-standardtime-varyingrecursiveRiccatiequations.TheasymptoticpropertiesoftheRiccatiequationsarestudiedasacrucialsteptotheconvergenceresultsofthepaper.

简介：Abstract,Inthispaper,algorithmsfordeterminingthetriangularfactorizationofCauchytypematricesandtheirinversesarederivedbyusingO(n2)operations.

简介：Basedonthewell-knownLeverrieralgorithm,asimpleexplicitsolutiontorightfactorizationofalinearsystemisestablished.Thissolutionisexpressedbythecontrollabilitymatrixofthegivensystemandasymmetricoperatormatrix.ApplicationsofthissolutiontoatypeofgeneralizedSylvestermatrixequationsandtheproblemofparametriceigenstructureassignmentbystatefeedbackareinvestigated,andgeneralcompleteparametricsolutionstothesetwoproblemsarededuced.Thesenewsolutionsaresimple,andpossessdesirablestructuralpropertieswhichrenderthesolutionsreadilyimplementable.Anexampledemonstratestheeffectoftheproposedresults.

简介：最近，矩阵因式分解模型实质上在处理大规模等级最小化问题吸引增加的注意，它是一个nonconvex最小化问题。明确地，它是一个二次的最少的广场问题并且因而一个四次的多项式优化问题。在这份报纸，我们介绍SNIG的一个概念(“秒顺序必要optimality暗示全球optimality”)代表性质的状况矩阵因式分解模型的静止的点必须是的任何秒顺序全球minimizer。SNIG条件抓住在下面被介绍的一些情形。而且，当SNIG条件可以失败时，我们由一个例子说明。

简介：Ｋ１，ｋ┐ＦＡＣＴＯＲＩＺＡＴＩＯＮＯＦＢＩＰＡＲＴＩＴＥＧＲＡＰＨＳＤＵＢＥＩＬＩＡＮＧＡｂｓｔｒａｃｔ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｎｅｃｅｓｓａｒｙｃｏｎｄｉｔｉｏｎｆｏｒａｂｉｐａｒｔｉｔｅｇｒａｐｈλＫｍ，ｎｔｏｂｅＫ１，ｋ－ｆａｃｔｏｒｉｚ...

简介：把复杂contourlet变换(CCT)与nonnegative矩阵因式分解(NMF)相结合的一个图象熔化方法在这份报纸被建议。在二幅图象被CCT分解以后，NMF被用于他们的highand低频率的部件分别地，一幅图象被综合。图象熔化结果的Subjective-visual-quality基于NMF和有NMF的小浪/contourlet/nonsubsampledcontourlet的联合与图象熔化方法的那些相比。试验性的结果是评估份量上，并且跑的时间也被对比。建议图象熔化方法能获得更大的信息熵，标准差和吝啬的坡度，这被显示出，它意味着它能更好从所有来源图象集成展示信息，避免背景噪音并且有效地支持在熔化图象的空间明白。

简介：声音变换(VC)基于Gaussian混合模型(GMM)是变换来源光谱指向光谱的最经典、普通的方法。然而，这个方法对敏感因为它的frame-by-frame变换在恰当上。有非否定的矩阵因式分解(NMF)的VC在这份报纸被介绍，它能阻止光谱由调整基础向量(字典)的尺寸在恰当上。以便认识到更好的非线性的印射，核NMF(KNMF)被采用完成印射的光谱。另外，增加变换的精确性，与GMM(GKNMF)相结合的KNMF也被介绍进VC。最后，KNMF，GKNMF，GMM，主要部件回归(PCR)，与GMM(GPCR)相结合的PCR，部分最不方形的回归(PLSR)，变弯的NMF基于关联的频率(NMF-CFW)和深神经的网络(DNN)方法与对方相比。建议GKNMF在客观评估和主观评估得到更好的性能。

简介：ThedeterminationofLuzhou-flavorliquoragesiscarriedoutbythree-dimensionalfluorescencespectroscopycombinedwithnon-negativematrixfactorization(NMF).37samplesofagedliquorswithweightedagesof15,20and25yearswerepreparedbyblendingthreeLuzhou-flavororiginalbaseliquorswithstorageagesof10,20and30yearsindifferentproportions.Thefluorescencespectraofthesamplesweremeasured,andthenfactorizedintobasismatrixandcoefficientsmatrixbymultiplicativeiterativeNMF.Thefluorescencespectra,reconstructedfromthebasismatrix,aresimilartotheoriginalspectra.Thecoefficientsmatrixistakenastheinputofsupportvectormachine(SVM)toestablishapredictionmodelforthedeterminationofliquorages.Comparedwiththeprincipalcomponentanalysis,thepredictionmodelbasedonSVMhasapredictedaccuracybetterthan91.7%.Thismethodcanprovidehelpsforthemarketsupervisionontheagedliquors.

简介：Thisstudywasonsuperiorityofthenon-negativematrixfactorization（NMF）algorithmforapplicationofinformationextractedwithaerialimages.First,NMFwasusedforaerialimageinformationextraction,andthenthisdatawascomparedwithaprincipalcomponentanalysis（PCA）inwhichr（thenumberofrowsorcolumnsofbasicmatrix）andEignum（thenumberofeigenvalues）weregivendifferentvalues.ExperimentalresultsshowedthattheruntimeofNMFwithr=20or50waslessthanthatofPCAwithanEignum=20or50.Also,therecognitionrateofNMFwithr=50washigherthanthatofanEignum=50.Theexperimentshowedthatnonnegativematrixfactorizationhadadvantagesofashorttimeperiodwithahighrecognitionrate.

简介：

简介：提出了一种基于gamma分布的NMF算法（GNMF）,并将之用于人脸特征抽取.构造了特征子空间,并在特征子空间内实现脸部识别.结果表明,GNMF算法可行且有效,以GNMF为基础的人脸识别率较高.

简介：非否定的矩阵因式分解(NMF)是为由把非否定性限制放在矩阵上的维数减小的一种技术。基于PARAFAC模型，NMF为三尺寸的数据被扩大分解。三尺寸的非否定的矩阵因式分解(NMF3)算法，简明、容易实现，在这篇论文被给。NMF3算法实现基于元素然而并非在向量上。没有展开，传统的算法，这能直接分解一个数据数组，它不类似于。它被用于模仿的数据数组分解并且获得了合理结果。它证明NMF3能在化学统计学为曲线分辨率被介绍。

简介：

简介：Inthispaper,wepresentanovelapproachtosynthesizingfrontalandsemi-frontalcartoon-likefacialcaricaturesfromanimage.Thecaricatureisgeneratedbywarpingtheinputfacefromtheoriginalfeaturepointstothecorrespondingexaggeratedfeaturepoints.A3Dmeanfacemodelisincorporatedtofacilitatefacetocaricaturesbyinferringthedepthof3Dfeaturepointsandthespatialtransformation.Thenthe3Dfaceisdeformedbyusingnon-negativematrixfactorizationandprojectedbacktoimageplaneforfuturewarping.Toefficientlysolvethenonlinearspatialtransformation,weproposeanovelinitializationschemetosetupLevenberg-Marquardtoptimization.Accordingtothespatialtransformation,exaggerationisappliedtothemostsalientfeaturesbyexaggeratingtheirnormalizeddifferencefromthemean.Non-photorealisticrendering(NPR)basedstylizationcompletesthecartooncaricature.Experimentsdemonstratethatourmethodoutperformsexistingmethodsintermsofviewanglesandaestheticvisualquality.