NMF（非负矩阵分解）的场景应用

最近在学习矩阵分析时了解到了NMF这个方法，发现其潜力巨大，应用场景广阔。目前的算法场景中，NMF可以应用的领域很广，源于其对事物的局部特性有很好的解释。在众多应用中，NMF能被用于发现数据库中的图像特征，便于快速自动识别应用；能够发现文档的语义相关度，用于信息自动索引和提取；能够在DNA阵列分析中识别基因等等。我们将对此作一些大致的描述。但是最有效的就是图像处理领域，是图像处理的数据降维和特征提取的一种有效方法。

1、特征学习

这一点思想类似（Principal Component Analysis）主成分分析，但是在实际工程环境当中都要比PCA效果要好，其中思想如下：

• 测试数据在NMF算法上学习 Vtrain→dictionaryW
• 利用W去分解新的测试examples Vn:

vn≈∑n=1Khknwk，其中kn>=0

• 把hn作为example n的特征向量

下面是对人物脸部特征学习的NMF算法，图为把人的脸部的不同特征显示出来：

2、图像分析

NMF最成功的一类应用是在图像的分析和处理领域。图像本身包含大量的数据，计算机一般将图像的信息按照矩阵的形式进行存放，针对图像的识别、分析和处理也是在矩阵的基础上进行的。这些特点使得NMF方法能很好地与图像分析处理相结合。人们