·324 智能系统学报 第5卷 样本数的持续增加，DNMP的执行时间超过NMF,这 种情况同样和r的取值有较为密切的关系， 300 NME DNMF 200 INMF 图5样本数为100时的部分生成因子 Fig.5 Some of the factors with 100 samples 100 可看出图4中最左边的4个生成因子均出现在 DNMF分解产生的基图像中.说明NMF具有较强的 30 40506070 提取线性样本集各组成成份的能力.而DNMF在处 样本数 理动态数据集时同样具有这样的功能.当样本集增 图2各算法执行时间随帧数的变化情况 至200时，分解产生的部分基图像如图6， Fig.2 Run time of the algorithms changing with the frame number 4.3 temporal image数据集 文献[6]中使用temporal image数据集来验证 ONMF算法在满秩分解条件下处理动态数据集的有 效性.由于暂时无法获得ONMF算法的代码进行实 验对比，因此本文也采用该数据集来验证DNMF的 动态学习能力.图3给出了数据集的部分生成因子， 图6样本数为200时的部分生成因子 每个生成因子对应于一张10×10像素的图片，图片 Fig.6 Some of the factors with 200 samples 中包含一条横线或竖线.该数据集中的每张图片均 同样可看出有8个生成因子出现在基图像中， 是生成因子的某种线性组合.为验证算法的动态学 其中图6的第一个图像和最后一个图像是由2个生 习能力，图3中最左边的2个生成因子随时间左右 成因子部分重叠产生的.当样本集为300时算法生 或上下移动，其他生成因子保持不变，如图4. 成的部分基图像如图7. 图3 temporal image数据集的生成因子 Fig.3 Factors of temporal image dataset 图7样本数为300时的部分基图像 Fig.7 Some of the factors with 300 samples 可以看出，在分解结果中，各生成因子均有不同 程度的体现.另外，最后分解得到DNMF算法的最 图4随时间变化的生成因子 大样本差为0.4425，对300张图像进行NMF分解 Fig.4 Factors changing with the time 得到的最大样本差为0.3034.可见DNMF分解具有 根据图4中6种不同的情况各生成50张图片， 较高的准确率。 共300张.实验中r取30，迭代中止条件为 4.4 Swimmer数据集 T:-T:+1≤0.0001.将前50张图片作为初始样本 Swimmer数据集包含一系列的黑白图像，每个 集，剩下的250张图片每增加1张均进行DNMF分 图像有4个可移动的部分（四肢），每个部分可以旋 解，观察分解产生因子的变化过程.当样本集增至 转到4个不同的位置（关节）.且每个黑白图像的中 100张时，分解产生的部分基图像如图5所示. 心有一个包含12个像素的躯干和4个包含6个像