تجزیه ماتریس های غیرمنفی برای دسته بندی گراف + سورس کامل
پروژه ۷۰۶: (شبیه سازی مقاله در متلب)
خلاصه :
تجزیه ماتریس های غیر منفی (NMF) یک تقریب کمی از ماتریس غیر منفی را فراهم می کند و بطور موفق آمیزی به عنوان یک روش دسته بندی استفاده می شود. در این تحقیق ما تمرکزمان را برای قابلیت ها و تصوراتی از NMF به عنوان روش دسته بندی در نظر گرفته ایم. سپس NMF متقارن به عنوان یک هدف عمومی برای دسته بندی گراف که جزء مزایای NMF به شمار می رود ، استفاده شده است. NMF بطور متفاوت براساس اندازه گیری مشابه ای بین نقاط داده و تجزیه به کار می رود. روش NMF متقارن با دیگر روش های عمومی نیز مقایسه شده است. دیده می شود که برای مسائل دسته بندی گراف ها ، این شبیه سازی بسیار نتایج بهتری دارد. بعلاوه روش مشابه الگوریتم نیوتن را برای یک اطلاعات مرتبه دوم گسترش داده ، دیده می شود که روش NMF متقارن برای جدا سازی گراف عملی تر می باشد. نتایج کاری ما روی داده های گراف مصنوعی و داده های تصاویر نشان می دهد که روش NMF متقارن از کیفیت بالایی در جداسازی داده دارد بنابراین روش NMF قادر است تا بهترین جداسازی را روی داده های خطی و غیر خطی به کار رفته و نتایج خوبی را به همراه داشته است.
برای اطلاع بیشتر ، اصل مقالات لاتین را از لینک زیر دانلود نمایید. شبیه سازی مربوط برای خرید گذاشته شده است.
:paper Title
Symmetric Nonnegative Matrix Factorization for Graph Clustering
+_+_+_+_+_+_+_+_+_+_+_+
دانلود: دانلود اصل مقاله لاتین
+_+_+_+_+_+_+_+_+_+_+_+
شما می توانید برای دریافت اطلاعات بیشتر از این مقاله ، مقاله لاتین را از لینک بالا دریافت کرده و در صورت تمایل اقدام به خرید این شبیه سازی نمایید. این شبیه سازی در متلب انجام شده و برخی از نتایج آن در شکل های پایین آورده شده است.
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
دیگر نتایج:
Elapsed time is 2.161828 seconds
Number of iterations: 479
Objective function value: 34.2157
دیگر پروژه مرتبط:
طبقه بندی تومور با استفاده از روش اجزاء مستقل و تجزیه ماتریس های غیرمنفی