随着信息技术的发展,我们已经进入大数据时代。如何有效地从数据中挖掘出有用信息,一直是数据挖掘领域研究的热点。基于矩阵分解的数据分析方法,可以有效地发掘出数据中的结构化信息,因此对结构化矩阵分解算法进行研究具有很好的理论与应用价值。本文拟基于概念分解(Concept Factorization,CF)模型和超限学习机(Extreme Learning Machine,ELM)模型分别设计满足多种应用的结构化矩阵分解算法。本文的主要研究工作如下:(1)基于概念分解模型的联合结构化图学习与聚类算法。基于图的学习方法核心内容是先构造出一个图而后做图上的机器学习。图构造的好坏关系到算法性能的优劣,因此该方法的关键是如何构造一个高质量的图。传统的基于图的学习方法通常存在两大问题:1)“先构图再图上的机器学习”导致构图与后续学习过程割裂开来;2)构图过程中很少对图施以结构化的约束信息造成图的判别性不高。本文针对以上问题,提出一种基于概念分解模型的联合结构化图学习与聚类(JSGCF)算法。该算法将概念分解模型视为一种自表示模型,提出将系数乘积矩阵视为图关联矩阵,基于秩约束条件来强调对应图的连通子图个数为聚类类别数,从而构造出一个可直接用于聚类的高质量图。实验结果表明,本文提出的JSGCF算法相较于Kmeans、NCut、NMF、CF、LCCF算法具有更好的聚类表现。(2)基于矩阵分解的超限学习机算法。ELM是一种基于单隐层前馈神经网络构建的学习算法,其最大特点是随机确定隐层节点的权重且无需更新,学习过程中仅计算输出权重。但是ELM在处理数据时没有考虑数据内部的结构化信息,导致在处理某些高维数据时性能表现不够好。本文针对以上问题,基于ELM模型,提出一种分解化超限学习机(FELM)算法。该算法基于矩阵分解技术,通过在ELM隐层和输出层之间加一隐层对输出权重进行分解,从而有效考虑数据的结构化判别信息,并结合组稀疏表示方法更好地拟合数据,进而构建一个基于双隐层前馈神经网络的学习算法。通过基于脑电信号的情绪识别实验表明,本文提出的FELM算法相较于SVM和ELM算法具有更好的分类表现。