版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、自二十世紀九十年代以來,核方法已被應用于多個領域,其中包括模式識別、機器學習等。核方法是一種非線性方法,其思想是:使用非線性映射,將原始數(shù)據(jù)映射到高維空間(特征空間)中,并在這個新的空間中對數(shù)據(jù)進行線性的學習或分析。由于非線性映射十分復雜,所以,核方法中使用核技巧利用核函數(shù)有效的規(guī)避了非線性映射的復雜計算,降低了計算的復雜度?;诤说闹鞒煞址治?KernelPrincipalComponentAnalysis,KPCA)方法是核方法中的
2、一種,它等價于在高維空間中對數(shù)據(jù)進行主成分分析(PCA)處理。相對于PCA來說,KPCA方法具有更準確的特征提取效果并且更適用于解決實際問題。本文主要針對KPCA方法進行深入研究。
核方法的一個重要的特點是需要確定核參數(shù)。無論使用哪種核函數(shù)都至少會有一個核參數(shù)需要確定,KPCA也不例外。只有確定核函數(shù)與核參數(shù)后,KPCA才可以使用。與許多核方法一樣,KPCA的特征提取效果很大程度上依賴于其核參數(shù)的選擇。因此,參數(shù)的選擇是核
3、方法研究領域中的一個重要方面。本文借助于樣本特征值代表的物理意義,提出一種基于比值的參數(shù)選擇準則。實驗表明,在使用KPCA時,可以采用該準則選擇核參數(shù)。
本文通過對KPCA算法的時間復雜度與空間復雜度分析,得出推測:KPCA算法的計算速度與數(shù)據(jù)維數(shù)無關而是與數(shù)據(jù)個數(shù)有關,而PCA算法的計算效率與數(shù)據(jù)維數(shù)有關。所以,在計算小數(shù)據(jù)集情況下,KPCA表現(xiàn)出優(yōu)由于PCA的特征提取質(zhì)量與效率,但是在數(shù)據(jù)量增大的情況下,尤其是低維大數(shù)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于GPU的網(wǎng)絡流量特征提取并行算法設計與實現(xiàn).pdf
- 基于GIS和KPCA的農(nóng)業(yè)空間數(shù)據(jù)特征提取研究.pdf
- 針對圖像特征提取算法的并行加速研究.pdf
- 植物葉片齒特征提取算法的設計與實現(xiàn).pdf
- 葉片常見形態(tài)特征提取的原型系統(tǒng)設計與實現(xiàn).pdf
- 基于FPGA的指紋特征提取系統(tǒng)的設計與實現(xiàn).pdf
- 異構環(huán)境下特征提取算法的并行化研究.pdf
- 高維數(shù)據(jù)特征提取方法研究與實現(xiàn).pdf
- 基于PCNN指紋特征提取算法研究與實現(xiàn).pdf
- 私有協(xié)議的特征提取與識別系統(tǒng)設計與實現(xiàn).pdf
- 人臉特征提取與跟蹤.pdf
- 人臉識別與特征提取.pdf
- 人臉特征提取與識別.pdf
- 基于文本特征提取算法的旁路監(jiān)控系統(tǒng)設計與實現(xiàn).pdf
- 基于最大匹配的論文特征提取系統(tǒng)的設計與實現(xiàn).pdf
- 基于人臉識別的圖像特征提取研究與實現(xiàn).pdf
- 髖關節(jié)特征提取系統(tǒng)分析與實現(xiàn).pdf
- 基于深度學習的微表情特征提取算法設計與實現(xiàn).pdf
- 基于特征提取的三維人臉動畫的設計與實現(xiàn).pdf
- 遙感圖像特征提取與檢索.pdf
評論
0/150
提交評論