Resumen

La factorización de matrices no negativas (NMF) se ha aplicado con éxito en el procesamiento de señales como una simple red neuronal no negativa de dos capas. Se propuso la NMF proyectiva (PNMF) con menos parámetros, que proyecta datos no negativos de alta dimensión en un subespacio no negativo de menor dimensión. Aunque PNMF supera el problema de fuera de muestra de NMF, no considera la característica no lineal de los datos y es sólo un tipo de método de descomposición de señal estrecha. En este trabajo, combinamos el PNMF con el aprendizaje profundo y el ajuste no lineal para proponer un modelo de aprendizaje profundo no negativo bidireccional (BNDL) y su algoritmo de aprendizaje de optimización, que puede obtener una representación de características no negativas profunda multicapa no lineal. Los experimentos muestran que el modelo propuesto no solo puede resolver el problema de la falta de muestra del NMF, sino también aprender representaciones jerárquicas de características no negativas con un mejor rendimiento de agrupación que los algoritmos NMF, PNMF y Deep Semi-NMF clásicos.

• Materias:Control del proceso Desarrollo de procesos Programación lineal Programación Matemática Optimización de procesos
• Subjects: Process development Linear programming Mathematical Programming Process optimization
• Palabras claves:pnmf, nmf, aprendizaje profundo bidireccional no negativo, representaciones jerárquicas de rasgos no negativos, método de descomposición de señales estrechas, representación profunda no negativa no lineal multicapa de rasgos, factorización de matrices no negativas, datos dimensionales no negativos, subespacio dimensional no negativo, red neuronal no negativa.
• Keywords:pnmf, nmf, bidirectional nonnegative deep learning, hierarchical nonnegative feature representations, narrow signal decomposition method, nonlinear multilayer deep nonnegative feature representation, nonnegative matrix factorization, dimensional nonnegative data, dimensional nonnegative subspace, nonnegative neural network