Resumen

La representación escasa de señales a través de un diccionario sobredeterminado ha recibido recientemente mucha atención, ya que ha producido resultados prometedores en diversas aplicaciones. Dado que la no negatividad de las señales y el diccionario son requeridos en algunas aplicaciones, por ejemplo, en el análisis de datos multiespectrales, los métodos convencionales de aprendizaje de diccionarios impuestos simplemente con no negatividad pueden volverse inaplicables. En este artículo, proponemos un método novedoso para aprender un diccionario no negativo y sobredeterminado para tal caso. Esto se logra planteando la representación escasa de señales no negativas como un problema de factorización de matrices no negativas (NMF) con una restricción de dispersión. Al emplear la estrategia de descenso de coordenadas para la optimización y extenderla al caso multivariable para procesar en paralelo, desarrollamos un algoritmo llamado aprendizaje de diccionario de descenso de coordenadas paralelas (PCDDL), que se estructura resolviendo

• Materias:Ecuaciones diferenciales Dinámica de fragmentación Medios porosos Circuito abierto
• Subjects:Differential equations Fragmentation dynamics Porous media Open circuit
• Palabras claves:Representación dispersa; Diccionario sobredimensionado; Señales no negativas; Aprendizaje de diccionario; Factorización de matrices no negativas; Descenso de coordenadas paralelas
• Keywords:Sparse representation; Overcomplete dictionary; Nonnegative signals; Dictionary learning; Nonnegative matrix factorization; Parallel coordinate descent