奇异值分解与非负矩阵分解色在数据降维方面的特性分析

• 作 者: 徐利民[1]龚珊[1]余再军[2]
• 机 构: 信息工程大学信息工程学院电子科学与技术系,河南 郑州 450002
• 出 处: 2010年通信理论与信号处理学术年会
• 发表日期: 2010年期

奇异值分解(SVD,Singular Value Decomposition)和非负矩阵分解(NMF,Non-negative Matrix Factorization)是两种常见的数据降维方法.本文分析表明,两种算法在其数据表示意义、表示能力、数据重建计算量、数据存储量等方面有不同的特性.结果表明，SVD分解具有全局最优意义上的处理能力，但数据的可解释性不强;NMF需要迭代计算，运算速度较慢，但分解的可解释性强，带有辅助约束的算法可使分解的矩阵有更大的稀疏性。另外，NMF分解针对不同类型的数据进行处理性能差异明显.