前言
这是一篇用低秩矩阵分解做纺织物缺陷检测的文章，论文修改了传统的LRR模型，将原始的混合范数替换为F范数，起了一个新名字叫先验知识指导下的最小二乘回归，本质上并无明显区别。我认为该文实际出彩的地方是构建模板参照图像上，其基本思路是，缺陷只占纺织物图像的一小部分，那么我随机在纺织物图像上取块，很大可能是取得无缺陷的图像块，利用随机取得到的块来构建参照，当做无缺陷的纺织物图像。这和传统的纺织物缺...
分类：
其他好文 时间：
2016-07-19 11:15:11
阅读次数：
523
1.原理发现写关于非负矩阵的博文还是蛮多的，还是以自己的角度总结一下自己的最近看的若干东西以及对非负矩阵分解有用的一些资料链接。NMF，全称为non-negative matrix factorization，中文呢为“非负矩阵分解”。NMF的思想：V=WH（W权重矩阵、H特征矩阵、V原矩阵），通过计算从原矩阵提取权重和特征两个不同的矩阵出来。属于一个无监督学习的算法，其中限制条件就是W和H中的所有...
分类：
其他好文 时间：
2016-07-15 21:47:00
阅读次数：
825
1. NMF-based 推荐算法在例如Netflix或MovieLens这样的推荐系统中，有用户和电影两个集合。给出每个用户对部分电影的打分，希望预测该用户对其他没看过电影的打分值，这样可以根据打分值为其做出推荐。用户和电影的关系，可以用一个矩阵来表示，每一列表示用户，每一行表示电影，每个元素的值表示用户对已经看过的电影的打分。下面来简单介绍一下基于NMF的推荐算法。在python当中有一个包叫做...
分类：
其他好文 时间：
2016-07-15 21:46:08
阅读次数：
428
看到orbslam2初始化里的Initializer::ReconstructH和Initializer::ReconstructF两个子函数里用到了opencv：：SVD分解。这里我将会详细讲解SVD的分解理论！
奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解
假设M是一个m×n阶矩阵，其中的元素全部属于域 K，也就是 实数域或复数域...
分类：
其他好文 时间：
2016-07-13 17:26:48
阅读次数：
332
libMF是林智仁老师开发的一个用于推荐系统的矩阵分解库，下载地址：libMF 测试用的数据集是MovieLen，一个给电影评分的数据集，下载在此：ML 最近在阅读libMF的源代码，并且准备开发其Matlab接口，在此做做笔记。 我的开发环境是在Win8-64bit + Visual Studio ...
分类：
其他好文 时间：
2016-07-08 11:33:48
阅读次数：
124
上次关于语音增强的原理讲说了噪声估计问题，这次打算说下增益因子如何确定，也就是当噪声已知后，如何进行去噪的问题（把增益因子与带噪语音相乘即可）。这里主要说下MMSE滤波，顺带说下谱减法、维纳滤波。当然也有其它方式来实现语音增强的，比如基于矩阵分解原理的子空间法、基于自适应滤波器的降噪，有的方法ico ...
分类：
其他好文 时间：
2016-07-04 06:35:39
阅读次数：
238
一. 最小二乘法建立模型 关于最小二乘法矩阵分解，我们可以参阅： 一、矩阵分解模型。 用户对物品的打分行为可以表示成一个评分矩阵A(m*n)，表示m个用户对n各物品的打分情况。如下图所示： 其中，A(i,j)表示用户user i对物品item j的打分。但是，ALS 的核心就是下面这个假设：的打分矩 ...
分类：
其他好文 时间：
2016-06-08 15:23:02
阅读次数：
578
本篇继续讨论对用户移动规律的理解：结合地理建模和矩阵分解来做兴趣点推荐。
位置推荐是一类非常受欢迎的应用。在位置推荐中，我们需要理解用户的潜在兴趣并熟悉用户所处的环境。然后，我们就可以根据用户的兴趣和位置的属性发现用户可能感兴趣的地点。与普通推荐任务相比，地理位置在位置推荐中是改进推荐性能的一个重要因素。
在前面一篇中，我们讨论了如何恢复用户行为数据用于移动规律的理解。我们发现，用户移动行为通常...
分类：
其他好文 时间：
2016-04-30 06:40:20
阅读次数：
217
特征值分解如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：
这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的形式：
其中Q是这个矩阵A的特征向量组成的矩阵，Σ是一个对角阵，每一个对角线上的元素就是一个特征值。我这里引用了一些参考文献中的内容来说明一下。首先，要明确的是，一个矩阵其实就是...
分类：
其他好文 时间：
2016-04-29 18:24:09
阅读次数：
123
16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 矢量化：低秩矩阵分解 16.6 推行工作上的细节：均值归一化 16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 矢量化：低秩矩阵分解 16 ...
分类：
其他好文 时间：
2016-04-28 00:23:14
阅读次数：
339
