第4期 杨志君，等：动态学习的非负矩阵分解算法 325. 素的可移动部分，每个可移动部分可位于4个不同 数据矩阵Vs·对Vs使用DNMF进行分解，所需迭 位置.因此总共有256张图像包括所有的肢体位置 代次数为591次，各样本产生的平均误差为0.996. 组合.每张图像包含32×32个像素.图8给出了该 DNMF产生的基图像如图10. 数据集的一个子集， 可以看出图9中去掉的部分完整的出现在若干 个基图像中，表明DNMF对基矩阵和编码矩阵进行 个不个下 了即时更新. 4.5DNMF识别噪声的能力 文献[l0]中分析了NMF和K-means聚类之间 个八个少 的关系，得出2种算法具有相同的目标函数.DNMF 作为NMF的改进算法同样具有聚类效果.在这个小 图8 Swimmer数据集 节里检验了DNMF在识别噪声方面的效果.和上个 Fig.8 Swimmer dataset 实验一样从swimmers数据集的4个活动部分中去 该数据集在文献[9]中是用来展示NMF算法 掉其中一个，产生64种组合V4.把4个活动部分组 发现局部特征（四肢）的能力.它遵守一些预定义的 成的256张图像设为V.2组图像若定义为图像识 规则，如可分性和完全因子取样，即它是通过一种具 别问题，显然它们应分别对应于不同的聚类 有NMF样式的模型产生的. 对其中一组V4进行NMF分解，设为2，产生的 首先从4个可移动的部分中去掉1个，则剩余 编码矩阵中每一列有2个元素，将其作为2维空间 部分可产生43=64种位置组合，用V4表示。 的坐标得图11.从图中可以看出64张图像根据其 对V4进行NMF分解，取r为17，可产生17个 编码分成了4类，表明NMF具有聚类效果. 基图像，如图9， 从另一组图像V中取出一副图像放入V4,得 到新的一组图像V”.该图像包含4个可活动的部 分，显然，可以将其视为噪声点.对V"进行DNMF分 解，产生的编码矩阵，同样可得其2维空间的坐标如 图12. 200 1509 100 50 图9NMF分解产生的基图像 0 Fig.9 Base images decomposed by NMF 50 100 150 200 编码第一维 图11NMF分解产生的聚类 Fig.11 Clusters decomposed by NMF 200 1509 100 0 50 1001%200 图10DNMF分解产生的基图像 绵码筇一维 Fig.10 Base images decomposed by DNMF 图12DNMF分解产生的聚类 显然基图像中不包含去掉的部分.接着从图8 Fig.12 Clusters decomposed by DNMF 所示的数据集中抽取一个样本加入V4,产生新的