非负矩阵分解(NMF)模型被广泛用于恢复线性混合的非负数据。当数据是由连续信号采样的数据时,NMF中的因素可能被限制为非负合理函数的样本,这些函数允许相当通用的模型。使用Rational功能(R-NMF)称之为NMF。我们首先表明,在温和的假设下,R-NMF与NMF不同,这在基本上是独特的分解,这在需要恢复地面实际因素(例如盲源分离问题)的应用中至关重要。然后,我们提出了求解R-NMF的不同方法:R-HANLS,R-ANLS和R-NLS方法。从我们的测试中,没有什么方法明显优于其他方法,并且在时间和准确性之间应进行权衡。确实,R-Hanls对于大型问题而言是快速准确的,而R-ANLS更准确,但在时间和内存中都需要更多的资源。 R-NLS非常准确,但仅针对小问题。此外,我们表明R-NMF在各种任务中的表现都优于NMF,包括恢复半合成连续信号,以及实际高光信号的分类问题。
translated by 谷歌翻译