1.一种基于增量学习的深度鲁棒非负矩阵分解方法,其特征在于,包括以下步骤:步骤1.对现有的图像样本训练数据进行鲁棒非负矩阵分解初始化,得到初始的基矩阵W、特征矩阵H以及对角元素矩阵D,RNMF中,对于一个样本矩阵V∈R其中a,b代表的是矩阵的行和列,F代表的是损失函数,RNMF的最优解满足约束优化理论的Karush-Kohn-Tucker条件,故约束H>0得到H的KKT条件,公式为:H
同理得到约束W>0的关于W的KKT条件,公式为:W
根据满足KKT条件的解,RNMF的基矩阵W和特征矩阵H有如下的更新规则:其中
以上更新规则是交替执行的;
步骤2.在完成部分训练样本的鲁棒非负矩阵分解初始化,并得到初始的基矩阵W、特征矩阵H和对角矩阵D后,假设初始训练样本集合由n个m维非负列向量组成,用非负矩阵V基于DNMF理论,提出lV≈W
隐式层次框架为:
W
其中
基于INMF的理论,增加一个新的SAR图像数据不会明显改变所采集的目标样本的基矩阵的值,进而上式被改写为:其中
当新的训练样本加入模型训练时,通过新样本信息实现l其中v
令
P
P
所以,对
令
令
再对
令
则得到
l层之前的
步骤3.基矩阵W更新完成后,进行训练样本和待识别样本在特征空间中的投影;
步骤4.进行了特征提取之后进行分类识别,对训练样本的特征V′
2.根据权利要求1所述的基于增量学习的深度鲁棒非负矩阵分解方法,其特征在于:步骤3具体包括:步骤301,将所有训练样本重新投影:其中,V′
步骤302,对待识别样本进行投影:其中,v′