得到非负矩阵分解(NMF)的基图像矩阵和系数矩阵后,Hoyer [1] 提出可以利用L1范数和L2范数之间的差异度来衡量分解后矩阵的稀疏度。
L1范数 :所有元素的绝对值之和。
L2范数 :所有元素的平方之和的平方根。
计算x的稀疏度,分三步:
稀疏度计算(matlab)
在ORL人脸数据集上的实验对比:
Reference:
[1] Non-negative Matrix Factorization with Sparseness Constraints
稀疏矩阵是指很少非零元素的矩阵,这样的矩阵就成为稀疏矩阵,这种特性提供了矩阵存储空间和计算时间的优点。 我们可以使用MATLAB函数sparse把它转换成稀疏矩阵,该函数语法为: S=sparse(A)函数sparse()的更常用的用法是用来产生稀疏矩阵,具体语法如下: S=vsparse(r,c,s,m,n)其中r和c是我们希望产生的稀疏矩阵的矩阵中非零元素的行和列索引向量。参数s是一个向量,它包含索引对(r,c)对应的数值,m和n是结果矩阵的行维数和列维数。 如果要获得完成的矩阵,可以使用full()函数,函数语法: A=full(s) 针对你的问题,要产生上三角稀疏矩阵,一个可能的思路是先产生上三角正常矩阵,在将其稀疏化A = triu(ones(4,4))上述函数用来产生一个上三角矩阵,所以 S=sparse(A)将其转化为稀疏矩阵稀疏度就是信号中非零元素的个数,因此找到信号中非零元素的个数就行了I=find(A(:)>0.1)小于0.1的可以看作是零,当然0.1只是一个参考值,其他的也行
K=length(I)
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)