تجزیه ماتریس نا منفی یک روش تحلیل داده ای مبتنی بر اجزا برای کشف بازنمایی داد ه ها است. این روش به صورت موفقیت آمیزی در بسیاری از کاربردها مورد استفاده قرار گرفته است. اخیراً نیز به منظور استخراج بازنمایی ویژگی پنهان سلسله مراتبی از تجزیه نامنفی ماتریسی عمیق استفاده می شود و نشان داده شده است که به نتایج قابل توجه ای در یادگیری بازنمایی بدون نظارت دست می یابد. با این حال، تعریف یک منظم ساز متناسب با مدل های عمیق یک چالش کلیدی است و روش های تجزیه نامنفی ماتریسی عمیق موجود فاقد منظم ساز مناسب هستند. در این پایان نامه، ما تجزیه نامنفی ماتریسی شبه خودرمزگذار عمیق با منظم ساز تقابلی و حفظ ارتباط ویژگی را برای حل چالش ذکر شده پیشنهاد می کنیم. همچنین این مدل با الهام از یادگیری مقابله ای، با تحمیل ساختارهای موضعی و سراسری داده بر روی مؤلفه های رمزگذار و رمزگشا خود، قادر به یادگیری ویژگی های عمیق مؤثرتر و متمایزتری است. در همین حال این مدل سعی دارد، برای بهبود قابلیت های یادگیری مبتنی بر اجزا، همبستگی ویژگی ها را در طول یادگیری حفظ کند. برای حل مدل ارائه شده قواعد به روزرسانی ضربی مبتنی بر ساختارهای عمیق ارائه شده اند. آزمایش های گسترده ای بر روی ده مجموعه داده مرسوم برای بررسی عملکرد روش پیشنهادی با معیارهای متداول خوشه بندی صورت گرفته است. این آزمایش ها نشان می دهد که روش پیشنهادی بهترین نتایج را در اکثر مجموعه داده ها به دست می آورد. روش پیشنهادی در ۲۳ مورد از ۳۰ مورد در رتبه اول و در بقیه موارد در رتبه دوم قرار دارد. از این رو می توان نتیجه گرفت که در مقایسه با روش های دیگر، روش پیشنهادی بر روی طیف گسترده ای از مجموعه داده ها قابل اجرا است.
