Matlab代码示例共生矩阵的非负张量因式分解

非负矩阵分解方向的文章具有一定参考价值，推荐有兴趣的读者阅读学习。

该Matlab程序利用非负矩阵分解技术，对高光谱数据进行解混操作，适用于图形图像处理领域。

这段Matlab代码用于对非奇异矩阵进行上-海森堡矩阵分解，虽然计算量较大约为n^3级别，但仍能完成分解任务。

麻省理工学院授权的Matlab数据输入代码，适用于我们的随机非参数事件张量分解存储库（RFP-HP）。打开Matlab，运行文件“ Test_file_name_hybrid.m”获取模型，并使用“ Test_data_name_hybrid_more.m”进行对数似然测试。对于CP-PTF（CP-PP），打开Matlab，运行文件“ Test_file_name_v2.m”获取模型，并使用“ Test_file_name_more.m”进行对数似然测试。对于CPT-PTF（CPMarkov-PP），打开Matlab，运行文件“ Test_file_name_v2.m”获取模型，并使用“ Test_file_name_more.m”进行对数似然测试。对于GP-PTF（RFP-PP），打开Matlab，运行文件“ Test_file_n

在本课程中，将介绍线性代数中使用的基本数学实体：标量、向量、矩阵和张量。同时，将学习如何使用NumPy在Python中创建和操作这些实体。通过比较和使用Numpy创建向量和矩阵，并探索转置方法，以及Numpy矩阵的转置。

本课程将详细介绍如何在Matlab中清理标量、向量、矩阵和张量的代码。我们将学习如何使用NumPy在Python中创建这些数学实体，并探讨它们在数据科学和机器学习中的实际应用。

本仓库提供了基于采样的张量环分解算法的Matlab代码，用于实验。该方法是由奥斯曼·阿西夫·马利克（Osman Asif Malik）和史蒂芬·贝克尔（Stephen Becker）提出的，详细实现见脚本tr_als_sampled.m。实验中使用了脚本experiment1.m和experiment4.m对合成数据和真实数据进行了验证。此外，我们还实现了标准TR-ALS算法（tr_als.m）、rTR-ALS算法（rtr_als.m）、TR-SVD算法（TRdecomp_ranks.m和TRdecomp.m修改版）、TR-SVD的随机变体（tr_svd_rand.m）。需要使用mtimesx，请查看相关位置获取。

在本课程中，我们将介绍线性代数中的基本数学实体：标量、向量、矩阵和张量。同时，我们将学习如何使用Python中的NumPy库创建和操作这些数学实体。通过比较它们的特性和使用转置方法操作NumPy矩阵，您将掌握基本的数学运算技能。这些实体在数据科学中具有重要作用，特别是在机器学习和深度学习算法中。

该代码库包含用于复现实验的Matlab数据输入代码，实现概率顺序矩阵分解。使用所述方法或此代码库中的代码进行工作应引用原论文。例如，可使用以下BibTeX条目： @inproceedings { akyildiz2021probabilistic , title = { Probabilistic Sequential Matrix Factorization } , author = { {\"O}mer Deniz Akyildiz and Gerrit J. {van den Burg} and Theodoros Damoulas and Mark F. J. Steel } , booktitle = { Proceedings of the 24th International Conference on Artificial Intelligence and Statistics } , editor = { Banerjee, Arindam and Fukumizu, Kenji } , pages = { 3484--3492 } , volume = { 130 } , series = { Proceedings of Machine Learning Research } , month = { Apr } , year = { 2021 } , publisher = { PMLR } } 。