機器學習 課件 第2章 表征學習_第1頁
機器學習 課件 第2章 表征學習_第2頁
機器學習 課件 第2章 表征學習_第3頁
機器學習 課件 第2章 表征學習_第4頁
機器學習 課件 第2章 表征學習_第5頁
已閱讀5頁，還剩19頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)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(quán)，請進行舉報或認領(lǐng)

文檔簡介

第2章表征學習主講：胡曉2.1表征學習的目的

2.2數(shù)據(jù)預處理

2.3.2學習模型

混合散布矩陣

2.4.2類可判別測度

在樣本表征值的空間分布，類內(nèi)距離越小和類間距離越大，越有利于實現(xiàn)模式分類。

目標函數(shù)

多維縮放的目標是，

2.6流形學習(ManifoldLearning)

2.6流形學習(ManifoldLearning)2.6.2等度量映射

2.6流形學習(ManifoldLearning)

(1)構(gòu)建鄰接圖2.6.2等度量映射2.6流形學習(ManifoldLearning)(1)構(gòu)建鄰接圖(2)任意兩點間最短測地距離重構(gòu)不相似度矩陣

2.6流形學習(ManifoldLearning)

2.6.3局部線性嵌入2.6流形學習(ManifoldLearning)

由GeoffreyHinton等人于2002年提出，基本思路：首先，在高維空間構(gòu)建一個反映樣本點間相對位置(相似度)的概率分布；然后，通過學習，調(diào)整低維空間樣本分布，致使低維空間樣本相對位置的概率分布能擬合高維空間樣本相對位置的概率分布?；倦S機近鄰嵌入

理論上要求條件概率相等

2.8稀疏表征2.8.1壓縮感知

又稱為壓縮采樣(CompressingSampling)，顧名思義，是用少于奈奎斯特定理(Nyquist)要求的最低采樣頻率對信號進行采樣，達到“壓縮”觀測數(shù)據(jù)的目的。

2.8稀疏表征

(SparseRepresentations)2.8.1壓縮感知

2.8稀疏表征

一般化，我們將這兩情況合并成，

感知矩陣(SensingMatrices)

2.8稀疏表征

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(quán)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(quán)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. 人人文庫網(wǎng)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(quán)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。

評論

0/150

提交評論