TY - Jour A2 - 刘，桐良Au - Zeng，仙华奥 - 何，正义奥 - 宇，洪奥 - 曲，盛威，2016年DA - 2016/11/16 Ti - 双向非负面的深度模型及其优化在学习SP中的优化- 5975120 VL - 2016年AB - 非负矩阵分解（NMF）已成功应用于信号处理中作为简单的双层非环境神经网络。提出了具有较少参数的投影NMF（PNMF），其将高维非负数据投影到低维非负子空间上。虽然PNMF克服了NMF的样品的问题，但它不考虑数据的非线性特性，并且只是一种窄信号分解方法。在本文中，我们将PNMF与深度学习和非线性拟合结合起来提出双向非负面深度学习（BNDL）模型及其优化学习算法，其可以获得非线性多层深非环境特征表示。实验表明，所提出的模型不仅可以解决NMF的空样问题，而且还可以学习具有比经典NMF，PNMF和深度半NMF算法更好的聚类性能的分层非负特征表示。SN - 2356-752X UR - HTTPS://Doi.org/10.1155/2016/5975120 Do - 10.1155/2016/5975120 JF - 优化PB - Hindwi Publishing Corporation KW - ER -