可用于盲源分离的非负矩阵分解方法，对于传统盲分离方法有很大的改进，可用于处理很多领域的信号。

共识非负矩阵分解（cNMF）v1.2 cNMF是用于从单细胞RNA-Seq（scRNA-Seq）数据推断基因表达程序的分析管道。 它以一个计数矩阵（N个细胞XG基因）作为输入，并生成一个（K x G）个基因表达程序（GEPs）矩阵和一个（N x K）矩阵，该矩阵指定数据中每个细胞的每个程序的用法。 您可以在阅读有关该方法的更多信息。 此外，该论文中的分析还可以在上进行探索和重新执行。 您可以在本README中阅读有关如何运行cNMF管道的更多信息，并可以在随附的和使用示例数据对它进行测试。 从1.1版更新 将用于确定高变异性基因的低均值表达基因的阈值从0.01提高到0.5。 除少数单元格外，一些用户正在识别使用率极低的无法解释的程序。 我们怀疑这是由于包含了在少数细胞中检测到的具有高变异性的基因所致。 在大多数情况下，默认参数的此更改将有助于解决该问题。 更新了NMF的导入，以与>

#GrNMF R 包 该包是 Deng Cai 2008 年论文“流形上的非负矩阵分解”中描述的图形约束 NMF 算法的实现。 使用包 有关文档和使用示例，请参阅 R 中的help(GrNMF) 。

研究一类拟线性椭圆方程的非负解的多重性。利用非线性项在无穷远处与零点处的渐近行为,应用 Ekeland 变分原理与山路引理得到 2个非平凡的非负解。

PyTorch中的非负矩阵组合 PyTorch不仅是一个很好的深度学习框架，而且还是矩阵操作和大数据卷积方面的快速工具。 一个很好的例子是 。 在此程序包中，我基于torch.nn.Module在PyTorch中实现了NMF，PLC​​A及其反卷积变化，因此可以在CPU / GPU设备之间自由移动模型并利用cuda的并行计算。 模组 NMF 基本的NMF和NMFD模块使用乘法更新规则将beta差异最小化。 乘数是通过torch.autograd获得的，因此减少了代码量并且易于维护。 该界面类似于sklearn.decomposition.NMF ，但具有一些其他选项。 NMF ：原始NMF算法。 NMFD ：一维反卷积NMF算法。 NMF2D ：二维反卷积NMF算法。 NMF3D ：3-D反卷积NMF算法。 可编程逻辑控制器 基本的PLCA和SIPLCA模块使用EM算法来最

传统的Dijkstra算法只是针对起点和终点求解最短路径，而不能解决从起点出发，经过必经节点集，到达终点的无重复节点且无回路的最短路径问题。为此，在有向非负权图中，提出了Dijkstra算法和回溯法相结合的方法。对Dijkstra算法改进，并求解关键节点（起点，终点和必经节点）间的最短路径，进而从关键节点所构成的矩阵中采用回溯法得到目标路径。通过实际的算法实现，测试大量的有向非负权图数据，证实了算法的有效性和正确性。

C++写的顺序栈将一个非负的十进制整数N转换为对应的B进制数。 可进行1-16进制之间的数制转换。

通过超图正则化非负矩阵分解实现图像聚类

用于图像处理中的特征提取等领域的非负矩阵分解方法，也可与盲源分离结合对其进行改进

高光谱图像盲分解的矩阵矢量非负张量分解