随着高维数据分析的需求，数据表示（或特征学习）吸引了越来越多的关注，并成为模式识别和数据挖掘的核心问题。 非负矩阵分解（NMF）是一种有用的数据表示方法，它通过将数据矩阵分解为几个基数并使用非编码进行编码，从而极大地有助于发现数据的潜在结构并导致基于零件的表示。 -负约束。-通过ridge.regression对数据点建模，从统计角度考虑学习的编码，并最小化参数的方差，A最优非负投影（ANP）改善了NMF的性能。 但是，它忽略了数据的固有几何结构。 我们介绍了Hessian正则化，并提出了一种称