ترجمه فارسی مقاله GSVD-NMF: بازیابی ویژگی های گمشده در فاکتورسازی ماتریس غیر منفی

چکیده

Non-negative matrix factorization (NMF) is an important tool in signal processing and widely used to separate mixed sources into their components. However, NMF is NP-hard and thus may fail to discover the ideal factorization; moreover, the number of components may not be known in advance and thus features may be missed or incompletely separated. To recover missing components from under-complete NMF, we introduce GSVD-NMF, which proposes new components based on the generalized singular value decomposition (GSVD) between preliminary NMF results and the SVD of the original matrix. Simulation and experimental results demonstrate that GSVD-NMF often recovers missing features from under-complete NMF and helps NMF achieve better local optima.

چکیده به فارسی (ترجمه ماشینی)

فاکتور سازی ماتریس غیر منفی (NMF) یک ابزار مهم در پردازش سیگنال است و به طور گسترده ای برای جدا کردن منابع مختلط در اجزای آنها استفاده می شود.با این حال ، NMF NP سخت است و بنابراین ممکن است در کشف فاکتوریزاسیون ایده آل ناکام باشد.علاوه بر این ، ممکن است تعداد مؤلفه ها از قبل شناخته نشود و بنابراین ویژگی ها ممکن است از دست رفته یا ناقص از هم جدا شوند.برای بازیابی مؤلفه های مفقود شده از NMF کم نظیر ، GSVD-NMF را معرفی می کنیم ، که اجزای جدید را بر اساس تجزیه ارزش مفرد تعمیم یافته (GSVD) بین نتایج اولیه NMF و SVD ماتریس اصلی ارائه می دهد.شبیه سازی و نتایج تجربی نشان می دهد که GSVD-NMF اغلب ویژگی های مفقود شده از NMF زیر کامل را بازیابی می کند و به NMF کمک می کند تا به Optima محلی بهتر برسد.