一种广义Kullback-Leibler散度下基于最大边界似然估计的卷积非负模式学习方法

本发明公开了一种广义Kullback‑Leibler(KL)散度下基于最大边界似然估计的卷积非负模式学习方法，研究了广义Kullback‑Leibler散度下的卷积非负模式的似然函数，并将其中的激活函数使用积分的方式从模型中积除，本发明提出的方法能够对观测数据V中列的局部相关性进行建模，所使用的最大似然估计方法内含有自动模型阶数选择的特性。在处理无解析解的积分时，通过变分推断的方法不断优化并提升模型的下边界，达到最大边际似然的目标，最终结果不仅保持了观测数据形式上的简约性，而且其计算复杂度显著低于以马尔科夫链蒙特卡洛算法为代表的采样算法，计算复杂度与基于乘法迭代的卷积非负矩阵分解算法相比拟。