本書對非負矩陣分解理論進行了深入探討。首先，基于Frobenius范數(shù)和KullbackLeibler散度的兩個目標函數(shù)，利用Taylor展開式、穩(wěn)定點求解和Newton求根公式，提出了一種非負矩陣分解的理論分析方法；然后，利用該方法，嚴格導(dǎo)出了三種非負矩陣分解方法，解決了非負矩陣分解中的相關(guān)問題；最后，將結(jié)構(gòu)模式識別方法和本書提出的非負矩陣分解方法應(yīng)用到選票圖像的不規(guī)則手寫符號識別中，詳細給出了選票圖像識別方法。
本書算法推導(dǎo)嚴密，結(jié)構(gòu)布局緊湊，內(nèi)容深入淺出，實驗簡潔高效，適合計算機、人工智能、機器學(xué)習(xí)等相關(guān)專業(yè)的教師、本科生、研究生，以及廣大從事數(shù)字圖像處理與識別的工程研發(fā)人員閱讀
第一章 緒論 1
1.1 研究目的和意義 1
1.2 國內(nèi)外研究現(xiàn)狀 3
1.3 主要研究內(nèi)容與創(chuàng)新 7
1.4 本書的組織結(jié)構(gòu) 9
1.5 本章小結(jié) 10
第二章 非負矩陣分解方法簡介 11
2.1 非負矩陣分解的起源 11
2.2 非負矩陣分解理論 12
2.2.1 問題描述 12
2.2.2 目標函數(shù) 13
2.2.3 迭代公式 13
2.2.4 解的性質(zhì) 14
2.3 非負矩陣分解的直觀解釋 19
2.4 非負矩陣分解的應(yīng)用 20
2.5 本章小結(jié) 21
第三章 非負矩陣分解新方法 22
3.1 基于Frobenius范數(shù)的新非負矩陣分解（NNMFFRO） 22
3.1.1 基矩陣W的迭代更新規(guī)則 22
3.1.2 權(quán)重矩陣H的迭代更新規(guī)則 24
3.2 基于KullbackLeibler散度的新非負矩陣分解（NNMFDIV） 26
3.2.1 基矩陣W的迭代更新規(guī)則 26
3.2.2 權(quán)重矩陣H的迭代更新規(guī)則 29
3.3 算法步驟 30
3.4 ORL人臉庫簡介 31
3.5 實驗與分析 31
3.5.1 算法收斂性 32
3.5.2 算法收斂速度 32
3.5.3 基矩陣分析 33
3.6 人臉識別結(jié)果及分析 35
3.7 本章小結(jié) 37
第四章 近似正交非負矩陣分解方法 38
4.1 基矩陣W的迭代更新規(guī)則 38
4.2 權(quán)重矩陣H的迭代更新規(guī)則 40
4.3 算法步驟 41
4.4 實驗與分析 42
4.4.1 算法收斂性 42
4.4.2 基矩陣分析 42
4.5 人臉識別結(jié)果及分析 45
4.6 本章小結(jié) 46
第五章 收斂投影非負矩陣分解方法 47
5.1 基于Frobenius范數(shù)的收斂投影非負矩陣分解（CPNMFFRO） 48
5.1.1 基矩陣W的迭代更新規(guī)則 49
5.1.2 算法步驟 56
5.2 基于KullbackLeibler散度的收斂投影非負矩陣分解（CPNMFDIV） 56
5.2.1 基矩陣W的迭代更新規(guī)則 56
5.2.2 算法步驟 64
5.3 實驗與分析 64
5.3.1 算法收斂性 64
5.3.2 基矩陣分析 66
5.4 人臉識別結(jié)果及分析 69
5.5 本章小結(jié) 70
第六章 線性投影非負矩陣分解方法 71
6.1 基矩陣W的迭代更新規(guī)則 71
6.2 線性變換矩陣Q的迭代更新規(guī)則 74
6.3 算法步驟 75
6.4 實驗與分析 75
6.4.1 算法收斂性 76
6.4.2 基矩陣分析 77
6.5 人臉識別結(jié)果及分析 79
6.6 本章小結(jié) 80
第七章 選票圖像識別方法 82
7.1 選票圖像識別的背景 82
7.2 選票圖像識別存在的問題 83
7.3 選票設(shè)計 83
7.3.1 選舉信息 83
7.3.2 選票 88
7.4 圖像識別 90
7.4.1 圖像采集 91
7.4.2 定位 91
7.4.3 圖像預(yù)處理 93
7.4.4 手寫符號識別 94
7.5 本章小結(jié) 104
第八章 總結(jié)與展望 105
8.1 總結(jié) 105
8.2 展望 106
參考文獻 107
書單推薦
