1) MQRD-SMI
混合正交分解采样矩阵求逆
2) SMI(Sample Matrix Inversion)
SMI(采样矩阵求逆)
3) Orthogonal decomposition for matrix
矩阵的正交分解
4) inverse hybrid matrix
逆混合矩阵
5) inversion of partitioned matrix
分块矩阵求逆
6) ONMF
标准正交非负矩阵分解
1.
On the basis of analyzing the existed methods carefully, we propose the texture information feature extraction method based on discrete wavelet transformation-orthonormal non-negative matrix factorization (DWT-ONMF), a.
本文在前人有关表情识别方法研究的基础上,提出了基于离散小波变换和标准正交非负矩阵分解(DWT—ONMF)的纹理特征提取方法,提出了基于主动表观模型(AAM)的几何形变特征提取方法,并将提取的两种表情特征利用典型相关分析(CCA)进行特征融合,将融合后得到的混合特征作为离散隐马尔可夫模型(HMM)的观察值向量,进行表情的分类识别。
2.
Facial expression features extraction based on DWT and ONMF;
提出了一种基于离散小波变换(discrete wavelet transformation,DWT)和标准正交非负矩阵分解(orthonormal non-negative matrix factorization,ONMF)的人脸表情特征提取方法,该方法先通过离散小波变换,降低图像的噪声,并将得到的图像的低频信息作为研究对象;再采用标准正交非负矩阵分解来提取表情特征。
补充资料：矩阵求逆
矩阵求逆
inversion of a matrix
}1 10·011}}la，·a_{} T一，=卫‘}}b:1二1{·}}01·}}十 P，{l。1 11}_。{l 二了，日二"IJ .a，11 }}b。·b:1{}{!o·01!{ {10·…0 11!}ob_…b，}} !}a_·!11}·01} P。}}二}}1}.b.}1 1}a，‘·‘a。0}1}}00…o}} (2)其中向量 上(lb，二b_)r和上(。_…。，“ P二一P。分别是T一’的第一列和最后一列因此，T完全由给定的它的第一列和最后一列描述.由(2)，T一’的所有元素可以逐次计算出: {T一’}‘、:，，、，一{T一’}:，，+ +上(b.，。一。b_、. P。这个计算需要O(”2)个算术运算. 在予笼plitZ矩阵求逆的经济算法(例如见【3』)电a‘，气和p。的计算是由递归公式进行的.而且也需要O(n’)个运算.主子矩阵非奇异这个条件可以放宽，而仍然只需要O(nZ)个算术运算. 矩阵求逆有时是为了用公式x二A一’b来解线性方程组Ax=b.对一般形式的矩阵，这样做几乎没有意义，因为与线性方程组的直接求解方法相比较，它将增加运算量而且损失数值稳定性.可是对及即h忱(和有关的)矩阵，情况就不同了.如表达式(2)所示，T一’b的计算简化为执行毛义plits矩阵和向量的四个乘法和一个向量减法.有毛笼pliIZ矩阵与向量乘的经济算法，这种算法需要(对n阶)O(”losn)个运算.对予笼plitZ方程组的解法，算术运算量还不能达到这种渐近状态(现在，这些算法中最好的方法需要O(n fogZn)个运算).因此，对具有同一予艾plitZ矩阵T和不同右边b的线性方程组Tx=b的重复求解，预先将T求逆似乎是合理的. 在具有许多并行处理器的计算机上，重复求解具有同一个一般形式矩阵的线性方程组时，预先求出矩阵的逆是很合理的，因为与矩阵与向量相乘比较，解线性方程组的直接法不具有这种方便的并行性. 在许多情况(例如在数学规划的拟Newton方法中)，要求矩阵A的逆，它与具有已知逆阵B一’的矩阵只相差一个秩为l的矩阵或(在B是对称矩阵情况)秩为2的一个对称矩阵.对n阶矩阵，这样重新构造一个逆矩阵可用O(。2)个运算来完成.下面的公式可以作为一个例子(见【4』):如果u和v是列向量，则 (刀+。。T)一，一刀一‘一生刀一1“。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条