.png){kind=icon}
返回
Sparse hyperparametric Itakura-Saito nonnegative matrix factorization via bi-level optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.cam.2025.117316.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在非负矩阵分解（NMF）中，惩罚超参数的选择是一个关键方面，因为这些值控制了重构精度与满足期望约束之间的权衡。本研究聚焦于涉及Itakura-Saito（IS）散度的NMF问题，该方法特别适用于从混合信号频谱图中提取低谱密度分量，并能从引入稀疏约束中获益。我们提出了一种名为SHINBO的新算法，该算法引入了一种双层优化框架，用于自动且自适应地调整行依赖的惩罚超参数，从而增强IS-NMF在噪声环境中分离稀疏、周期性信号的能力。实验结果表明，SHINBO能够实现精确的谱分解，并在合成数据和真实应用中均展现出优越性能。在后一种情况下，SHINBO特别适用于滚动轴承的非侵入式振动故障检测，其中期望的信号分量通常位于高频子带中，但被更强、频谱更宽的噪声所掩盖。通过解决超参数选择的关键问题，SHINBO在复杂、噪声主导环境下的信号恢复方面提升了当前技术水平。
Keyword:
Nonnegative matrix factorization
Itakura-Saito divergence
Hyperameter optimization
Sparsity
Bi-level optimization
Dynamical system
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
2.6
论文数:
337
被引数:
0
机构
引用论文
.png){kind=icon}
Penalty hyperparameter optimization with diversity measure for nonnegative low-rank approximationOAAI
OAAI分享收藏
查看更多内容