بررسي جامع بر استراتژي هاي مختلف انتخاب نقطه شروع در الگوريتم هاي تجزيه نامنفي ماتريسي

پيشرفت هاي تكنولوژيكي اخير در فناوري سنسور و سخت افزار كامپيوتر كه موجب افزايش مقدار اطلاعات شده است، به سرعت در بسياري از ابزارهاي تجزيه و تحليل داده هاي كلاسيك موجود، مورد استفاده قرار گرفته است. تجزيه ماتريس يك الگوريتمي هوشمند براي تحليل داده ها است. قدرت اين الگوريتم زماني بيشتر نمايان خواهد شد كه بتواند تعابير مختلفي را از ساختار نهان داده ها آشكار سازد. اين نوع تجزيه به عنوان يك مسئله NP-Hard در تجزيه ماتريس ها شناخته شده و از اين الگوريتم به عنوان يك روش كارا و موثر نسبت به ساير روش هاي تجزيه ياد گرديده است. در اين مقاله، ابتدا به بررسي شش فرآيند مقداردهي اوليه الگوريتم تجزيه ماتريس نامنفي مي پردازيم و سپس درباره ساختار هر روش و برخي از ويژگي‌هاي آن صحبت خواهيم كرد. در نهايت، براي مقايسه كارايي روش‌هاي ذكر شده، با استفاده از الگوريتم Lee و پايگاه داده معروف چهره ORL استفاده خواهيم كرد.