模式识别论文报告-稀疏核的主成分分析-北京大学.ppt_第1页
模式识别论文报告-稀疏核的主成分分析-北京大学.ppt_第2页
模式识别论文报告-稀疏核的主成分分析-北京大学.ppt_第3页
模式识别论文报告-稀疏核的主成分分析-北京大学.ppt_第4页
模式识别论文报告-稀疏核的主成分分析-北京大学.ppt_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

模式识别论文报告- 稀疏核主成分分析,李武璐（1001110012） 吕唐杰（1101110035）,目录： （1）内容简介 （2）主成分分析回顾 （3）稀疏核方法及应用 （4）错误率分析,（1）内容简介,本文研究了如何从一组特征中生成一组新的特征的方法，是主成分分析方法的推广，利用稀疏核，使得计算中可以大量减少新的特征数量，可以减少后期的计算量和复杂度。 本文的方法在简化问题的同时保证了良好的计算效果，错误率和原方法类似。,（2）主成分分析方法回顾,主成分分析（PCA）： 利用一组原有的特征，计算出一组按照重要性从大到小排列的新特征。 设 为原有的n个特征，新特征 是原始特征的线性组合 使得 之间不 相关。,事实上，设 为x的协方差矩阵，则 为第i个特征值对应的特征向量。 核函数主成分分析（Kernel PCA） 设有映射 ，定义核函数k: 可以得到核函数矩阵 具体是 我们可以在不知道 的具体表达式 的前提下，通过k得到需要的结论。,对90个样本点使用核函数方法，得到不同特 征值对应的特征向量在特征空间上的投影,（3）稀疏核方法及应用,从核函数PCA出发，令 ，其中C定义为： 作为每个分量上的噪音出现，并且为固定常数。 当考虑 时，根据 6,可知在极大似然估计下，取 极值时 ，其中 为 的 特征值和特征向量。并且 时， ； 时， =0。,根据C的表达式建立对数极大似然函数： 进一步求得似然函数的具体表达式，其中， 接下来进行求解，通过求导，可得： ，另外根据5, 也可令：,经过循环计算，可以得到 的收敛值，以及 ，下面要计算特征主轴。 令 ，我们需要计算 的特征值和特征向量。 可以得到 通过公式 可以计算指定轴向量到特征空间 的投影，不用事先知道 。 最后可以计算重构误差：,取 ，使用GAUSS核函数，有下面例子：,（4）错误率分析,上面例子中实际上只有用到了10%的点就确定了要求的 ，下图为这些点以及重构错误。,另外，利用1中
人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论