1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等
非负矩阵分解[94](Non-negative Matrix Factorization, NMF)是一种新的特征提取方法。与PCA的思想类似，在图像识别中，NMF的主要目的是为了寻找低维子空间的一组基图像矢量，并通过基图像矢量的线性组合来表示一幅图像矢量。NMF方法也是一种无监督的学习方法。NMF方法与PCA不同的是：在NMF方法中基图像矢量的元素和线性组合的权系数全都为非负实数。近几年来，非负矩阵分解算法成为国际上研究的一个热点。作为一种无监督的方法，NMF并没有充分使用训练样本的类别信息，因此，它很可能丢失许多对分类有用的鉴别信息。为了尽可能的利用训练样本的类别信息，给出了一种有监督的非负矩阵分解方法。这种新方法的主要思想是将训练样本矢量和它相对应的类别标签信息相结合，构造出含有类别标签的训练样本矢量并以此构建非负矩阵进行非负矩阵分解。这种方法的特点：一是它充分直接利用训练样本的类别信息，二是在计算上仍然采用与非负矩阵分解方法相同数学公式，这种方法被称为有监督的非负矩阵分解。
关键词： 非负矩阵分解；特征提取；人脸识别
要求：
2. 参考文献（不低于12篇）
1. D. D. Lee, H. S. Seung. Algorithms for non-negative matrix factorization. Proceedings of Neural Information Processing Systems, Cambridge, MA: MIT Press, 2001(13):556-562
2. T. Feng, S. Z. Li, H. Y. Shum and H. J. Zhang. Local Non-Negative Matrix Factorization as a Visual Representation Proceedings of the 2nd International Conference on Development and Learning (IEEE ICDL.02). Cambridge, USA: IEEE Computer Society, 2002: 178-183.
3. Buciu Ioan, Pitas Ioannis. Application of non negative and local non negative matrix factorization to facial expression recognition [C]// Proceedings of the 17th International Conference on Pattern Recognition (ICPR04), Washington, USA: IEEE Computer Society, 2004: 288-291
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
