科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的对称非负矩阵分解（Symmetric Nonnegative Matrix Factorization,NMF）不但能够利用线性可分数据，对非线性数据也具有良好的可分性，但对矩阵的初始化值比较敏感，为了提高模型的鲁棒性，自监督对称非负矩阵（Self-supervised Nonnegative Matrix Factorization,S3NMF）利用集成的思想，将不同初始化得到的分解矩阵构造成一个判别能力更强的相似矩阵，同时考虑监督信息进行矩阵分解，克服了对称非负矩阵对初始化值敏感的问题。对我国31省份GDP数据，利用Kmeans对S3NMF分解产生的结果进行聚类，将S3NMF应用到我国GDP聚类，结合现实数据，同时将S3NMF聚类结果与函数型聚类分析结果对比，得出S3NMF的分解矩阵，利用Kmeans进行聚类能够产生较好的聚类划分。
- 单位
