《模式识别论文报告-稀疏核的主成分分析》由会员分享,可在线阅读,更多相关《模式识别论文报告-稀疏核的主成分分析(13页珍藏版)》请在金锄头文库上搜索。
1、 模式识别论文报告模式识别论文报告- 稀疏核主成分分析稀疏核主成分分析李武璐(1001110012)吕唐杰(1101110035)目录: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 1)内容简介)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 2)主成分分析方法回顾)主成分分析方法回顾主成分分析(主成分分析(PCAPCA):): 利用一组原有的特征,计算出一组按照重
2、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 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(核函数主成分分析(Kernel PCAKernel 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 3)稀疏核方法及应用)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
3、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 4)错误率分析)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中的7维例子,可以得到相应的重构错误率和实验错误率,发现原方法和新方法相差无几。谢谢