rGydF4y2Ba

基于重构ICA的特征提取GydF4y2Ba

句法GydF4y2Ba

mdl = rica（x，q）GydF4y2Ba

Mdl =黎加(X, q,名称,值)GydF4y2Ba

描述GydF4y2Ba

MDL.GydF4y2Ba=黎加(GydF4y2BaXGydF4y2Ba那GydF4y2Ba问：GydF4y2Ba）GydF4y2Ba返回一个与重构无关的组件分析(RICA)模型对象，该对象包含将RICA应用于预测器数据表或矩阵的结果GydF4y2BaXGydF4y2Ba包含GydF4y2BaP.GydF4y2Ba变量。GydF4y2Ba问：GydF4y2Ba是要提取的特征的数量吗GydF4y2BaXGydF4y2Ba，所以GydF4y2BarGydF4y2Ba学习一个GydF4y2BaP.GydF4y2Ba——- - - - - -GydF4y2Ba问：GydF4y2Ba转化重量矩阵。适用于替补或过度顺从的特征表示，GydF4y2Ba问：GydF4y2Ba可以分别小于或大于预测变量的数量。GydF4y2Ba

访问学习的转换权重，使用GydF4y2BaMdl。T.ransformWeights．GydF4y2Ba
改变GydF4y2BaXGydF4y2Ba通过使用学到的转换来获得新的特性集，通过GydF4y2BaMDL.GydF4y2Ba和GydF4y2BaXGydF4y2Ba来GydF4y2Ba变换GydF4y2Ba．GydF4y2Ba

例子GydF4y2Ba

MDL.GydF4y2Ba=黎加(GydF4y2BaXGydF4y2Ba那GydF4y2Ba问：GydF4y2Ba那GydF4y2Ba名称，价值GydF4y2Ba）GydF4y2Ba使用一个或多个指定的附加选项GydF4y2Ba名称，价值GydF4y2Ba对参数。例如，可以标准化预测器数据或指定目标函数重构项中惩罚系数的值。GydF4y2Ba

例子GydF4y2Ba

全部收缩GydF4y2Ba

创建重建ICA对象GydF4y2Ba

打开直播脚本GydF4y2Ba

创建一个GydF4y2BaReconstructionICAGydF4y2Ba对象的GydF4y2BarGydF4y2Ba功能。GydF4y2Ba

加载GydF4y2BaSampleImagePatches.GydF4y2Ba图像补丁。GydF4y2Ba

data = load（GydF4y2Ba“SampleImagePatches”GydF4y2Ba）;大小(data.X)GydF4y2Ba

ans =.GydF4y2Ba1×2GydF4y2Ba5000 363GydF4y2Ba

有5000个图像补丁，每个包含363个特征。GydF4y2Ba

从数据中提取100个特征。GydF4y2Ba

RNG.GydF4y2Ba默认的GydF4y2Ba%的再现性GydF4y2Baq = 100;mdl = rica（data.x，q，GydF4y2Ba'iterationlimit'GydF4y2Ba，100）GydF4y2Ba

警告:解算器LBFGS不能收敛到一个解。GydF4y2Ba

Mdl = ReconstructionICA ModelParameters: [1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] NonGaussianityIndicator: [100x1 double]属性，方法GydF4y2Ba

rGydF4y2Ba发出警告，因为它是由于达到迭代限制而停止的，而不是由于达到步长限制或梯度大小限制。的方法仍然可以在返回的对象中使用学到的特性GydF4y2Ba变换GydF4y2Ba功能。GydF4y2Ba

输入参数GydF4y2Ba

全部收缩GydF4y2Ba

`XGydF4y2Ba`-GydF4y2Ba预测数据GydF4y2Ba
数字矩阵GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

预测数据，指定为一个GydF4y2BaNGydF4y2Ba——- - - - - -GydF4y2BaP.GydF4y2Ba数字矩阵或表。行对应于各个观测和列对应于各个预测变量。如果GydF4y2BaXGydF4y2Ba是一个表，那么它的所有变量必须是数字向量。GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

`问：GydF4y2Ba`-GydF4y2Ba提取的功能数量GydF4y2Ba
正整数GydF4y2Ba

从预测器数据中提取的功能数量指定为正整数。GydF4y2Ba

rGydF4y2Ba商店A.GydF4y2BaP.GydF4y2Ba——- - - - - -GydF4y2Ba问：GydF4y2Ba中变换权矩阵GydF4y2BaMdl。T.ransformWeights．因此，设置非常大的值GydF4y2Ba问：GydF4y2Ba可以导致更大的内存消耗和增加的计算时间。GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

名称值对参数GydF4y2Ba

指定可选的逗号分离对GydF4y2Ba名称，价值GydF4y2Ba参数。GydF4y2Ba的名字GydF4y2Ba是参数名称和GydF4y2Ba价值GydF4y2Ba为对应值。GydF4y2Ba的名字GydF4y2Ba必须出现在引号内。您可以以任何顺序指定多个名称和值对参数GydF4y2BaName1, Value1,…,的家GydF4y2Ba．GydF4y2Ba

例子:GydF4y2BaMdl =黎加(X,问,“IterationLimit”,200年,“标准化”,真的)GydF4y2Ba运行GydF4y2BarGydF4y2Ba优化迭代限制为200和标准化的预测器数据。GydF4y2Ba

`'iterationlimit'GydF4y2Ba`-GydF4y2Ba最大迭代次数GydF4y2Ba
`1000GydF4y2Ba`(默认)|GydF4y2Ba正整数GydF4y2Ba

指定为逗号分隔对的最大迭代次数GydF4y2Ba'iterationlimit'GydF4y2Ba一个正整数。GydF4y2Ba

例子:GydF4y2Ba“IterationLimit”,1 e6GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`'promoylevel'GydF4y2Ba`-GydF4y2Ba冗长的水平GydF4y2Ba
`0.GydF4y2Ba`(默认)|GydF4y2Ba非负整数GydF4y2Ba

监视算法收敛的详细级别，指定为逗号分隔对组成GydF4y2Ba'promoylevel'GydF4y2Ba和这个表中的一个值。GydF4y2Ba

价值GydF4y2Ba	描述GydF4y2Ba
`0.GydF4y2Ba`	`rGydF4y2Ba`在命令行不显示收敛信息。GydF4y2Ba
正整数GydF4y2Ba	`rGydF4y2Ba`在命令行中显示收敛信息。GydF4y2Ba

融合信息GydF4y2Ba

标题GydF4y2Ba	意义GydF4y2Ba
`有趣的价值GydF4y2Ba`	目标函数值。GydF4y2Ba
`规范研究生GydF4y2Ba`	目标函数的梯度规范。GydF4y2Ba
`标准步骤GydF4y2Ba`	迭代步骤的范数，表示前一个点与当前点之间的距离。GydF4y2Ba
`曲线GydF4y2Ba`	`好吧GydF4y2Ba`表示满足弱沃尔夫条件。该条件是目标函数充分减小和曲率条件的结合。GydF4y2Ba
`γGydF4y2Ba`	内部产物的梯度差异，除以梯度差异的内部产物。梯度差是当前点处的梯度减去前一点的梯度。提供有关目标函数曲率的诊断信息。GydF4y2Ba
`αGydF4y2Ba`	步进方向乘法器，它不同于GydF4y2Ba`1GydF4y2Ba`当算法执行线路搜索时。GydF4y2Ba
`接受GydF4y2Ba`	`是的GydF4y2Ba`意味着算法找到了可接受的步骤。GydF4y2Ba

例子:GydF4y2Ba'promoylevel'，1GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`'lambda'GydF4y2Ba`-GydF4y2Ba正则化系数值GydF4y2Ba
`1GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

正则化系数值为变换权值矩阵，指定为逗号分隔对组成GydF4y2Ba'lambda'GydF4y2Ba和一个正数标量。如果您指定GydF4y2Ba0.GydF4y2Ba，则目标函数中不存在正则项。GydF4y2Ba

例子:GydF4y2Ba“λ”,0.1GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`“标准化”GydF4y2Ba`-GydF4y2Ba标志标准化预测器数据GydF4y2Ba
`错误的GydF4y2Ba`(默认)|GydF4y2Ba`真正的GydF4y2Ba`

标志为标准化预测的数据，指定为逗号分隔的配对GydF4y2Ba“标准化”GydF4y2Ba和GydF4y2Ba真正的GydF4y2Ba（GydF4y2Ba1GydF4y2Ba）或者GydF4y2Ba错误的GydF4y2Ba（GydF4y2Ba0.GydF4y2Ba）。GydF4y2Ba

如果GydF4y2Ba标准化GydF4y2Ba是GydF4y2Ba真正的GydF4y2Ba，然后：GydF4y2Ba

rGydF4y2Ba对预测数据的每一列进行中心和标度(GydF4y2BaXGydF4y2Ba)的列均值和标准偏差。GydF4y2Ba
rGydF4y2Ba利用标准化的预测矩阵提取新特征，并在属性中存储预测变量均值和标准差GydF4y2BaμGydF4y2Ba和GydF4y2BaσGydF4y2Ba的GydF4y2BaMDL.GydF4y2Ba．GydF4y2Ba

例子:GydF4y2Ba'标准化'，真实GydF4y2Ba

数据类型:GydF4y2Ba逻辑GydF4y2Ba

`'contrastfcn'GydF4y2Ba`-GydF4y2Ba对比度功能GydF4y2Ba
`“logcosh”GydF4y2Ba`(默认)|GydF4y2Ba`'exp'GydF4y2Ba`|GydF4y2Ba`“√”GydF4y2Ba`

对比度函数，指定为GydF4y2Ba“logcosh”GydF4y2Ba那GydF4y2Ba'exp'GydF4y2Ba,或GydF4y2Ba“√”GydF4y2Ba．对比度函数是一个光滑函数，类似于绝对值函数。这GydF4y2BarGydF4y2Ba目标函数包含一个术语GydF4y2Ba

${\sumGydF4y2Ba}_{jGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba}^{问：GydF4y2Ba} \frac{1GydF4y2Ba}{NGydF4y2Ba} {\sumGydF4y2Ba}_{一世GydF4y2Ba =GydF4y2Ba 1GydF4y2Ba}^{NGydF4y2Ba} GGydF4y2Ba （GydF4y2Ba {W.GydF4y2Ba}_{jGydF4y2Ba}^{T.GydF4y2Ba} {\overset{˜GydF4y2Ba}{XGydF4y2Ba}}_{一世GydF4y2Ba} ）GydF4y2Ba 那GydF4y2Ba$

在哪里GydF4y2BaGGydF4y2Ba表示对比度功能，GydF4y2BaW.GydF4y2Ba_jGydF4y2Ba是优化发生的变量，以及GydF4y2Ba ${\overset{˜GydF4y2Ba}{XGydF4y2Ba}}_{一世GydF4y2Ba}$ 是数据。GydF4y2Ba

三种可用的对比度函数是:GydF4y2Ba

“logcosh”GydF4y2Ba-GydF4y2Ba $GGydF4y2Ba =GydF4y2Ba \frac{1GydF4y2Ba}{2GydF4y2Ba} 日志GydF4y2Ba （GydF4y2Ba coshGydF4y2Ba （GydF4y2Ba 2GydF4y2Ba XGydF4y2Ba ）GydF4y2Ba ）GydF4y2Ba$
'exp'GydF4y2Ba-GydF4y2Ba $GGydF4y2Ba =GydF4y2Ba -GydF4y2Ba 经验值GydF4y2Ba （GydF4y2Ba -GydF4y2Ba \frac{{XGydF4y2Ba}^{2GydF4y2Ba}}{2GydF4y2Ba} ）GydF4y2Ba$
“√”GydF4y2Ba-GydF4y2Ba $GGydF4y2Ba =GydF4y2Ba \sqrt{{XGydF4y2Ba}^{2GydF4y2Ba} +GydF4y2Ba {10GydF4y2Ba}^{-GydF4y2Ba 8.GydF4y2Ba}}$

例子:GydF4y2Ba“ContrastFcn”、“经验值”GydF4y2Ba

`'InitialTransformweights'GydF4y2Ba`-GydF4y2Ba初始化优化的转换权重GydF4y2Ba
`Randn（P，Q）GydF4y2Ba`(默认)|GydF4y2Ba数字矩阵GydF4y2Ba

初始化优化的转换权重，指定为逗号分隔的对，由GydF4y2Ba'InitialTransformweights'GydF4y2Ba和一个GydF4y2BaP.GydF4y2Ba——- - - - - -GydF4y2Ba问：GydF4y2Ba数字矩阵。GydF4y2BaP.GydF4y2Ba必须是列或变量的数量GydF4y2BaXGydF4y2Ba和GydF4y2Ba问：GydF4y2Ba是值的价值GydF4y2Ba问：GydF4y2Ba．GydF4y2Ba

提示GydF4y2Ba

您可以通过将其传递为另一个呼叫中的初始值来继续优化先前返回的变换权重矩阵GydF4y2BarGydF4y2Ba．输出模型对象GydF4y2BaMDL.GydF4y2Ba存储学习的转换权重矩阵GydF4y2BaTransformWeightsGydF4y2Ba财产。GydF4y2Ba

例子:GydF4y2Ba'InitialTransformweights'，mdl.transformwuightsGydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`'nongaussianityindicator'GydF4y2Ba`-GydF4y2Ba不高斯的来源GydF4y2Ba
`的(q, 1)GydF4y2Ba`(默认)|GydF4y2Ba长度,GydF4y2Ba`问：GydF4y2Ba`矢量±1GydF4y2Ba

源的非高斯，指定为一个长度 -GydF4y2Ba问：GydF4y2Ba矢量±1。GydF4y2Ba

NonGaussianityIndicator (k) = 1GydF4y2Ba意味着GydF4y2BarGydF4y2Ba模型的GydF4y2BaK.GydF4y2BaTh Source作为超级高斯，尖峰为0。GydF4y2Ba
nongaussianityindicator（k）= -1GydF4y2Ba意味着GydF4y2BarGydF4y2Ba模型的GydF4y2BaK.GydF4y2Ba源为次高斯分布。GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`“GradientTolerance”GydF4y2Ba`-GydF4y2Ba梯度规范的相对收敛耐受性GydF4y2Ba
`1 e-6GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

梯度范围的相对收敛耐受性，指定为包括的逗号分隔对GydF4y2Ba“GradientTolerance”GydF4y2Ba和一个正数标量。该梯度是目标函数的梯度。GydF4y2Ba

例子:GydF4y2Ba'gradienttolerance'，1E-4GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

`“StepTolerance”GydF4y2Ba`-GydF4y2Ba阶梯尺寸的绝对收敛耐受性GydF4y2Ba
`1 e-6GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

阶梯大小的绝对收敛公差，指定为逗号分隔对组成GydF4y2Ba“StepTolerance”GydF4y2Ba和一个正数标量。GydF4y2Ba

例子:GydF4y2Ba'steptolerance'，1e-4GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

输出参数GydF4y2Ba

全部收缩GydF4y2Ba

`MDL.GydF4y2Ba`- 学习重建ICA模型GydF4y2Ba
`ReconstructionICAGydF4y2Ba`模型对象GydF4y2Ba

学习重建ICA模型，作为一个返回GydF4y2BaReconstructionICAGydF4y2Ba模型对象。GydF4y2Ba

访问属性GydF4y2BaMDL.GydF4y2Ba，使用点表示法。例如：GydF4y2Ba

要访问学到的变换权值，请使用GydF4y2BaMdl。T.ransformWeights．GydF4y2Ba
获取结构拟合信息，使用GydF4y2Bamdl.fitinfo.GydF4y2Ba．GydF4y2Ba

算法GydF4y2Ba

这GydF4y2BarGydF4y2Ba函数创建输入特征到输出特征的线性变换。这种转换基于优化一个非线性目标函数，该函数大致平衡了输出特征的统计独立性与使用输出特征重建输入数据的能力。GydF4y2Ba

有关详细信息，请参阅GydF4y2Ba重建ICA算法GydF4y2Ba．GydF4y2Ba

也可以看看GydF4y2Ba

ReconstructionICAGydF4y2Ba|GydF4y2BaSparsefilt.GydF4y2Ba|GydF4y2Ba变换GydF4y2Ba

话题GydF4y2Ba

在R2017A介绍GydF4y2Ba

rGydF4y2Ba

句法GydF4y2Ba

描述GydF4y2Ba

例子GydF4y2Ba

创建重建ICA对象GydF4y2Ba

输入参数GydF4y2Ba

`XGydF4y2Ba`-GydF4y2Ba预测数据GydF4y2Ba
数字矩阵GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

`问：GydF4y2Ba`-GydF4y2Ba提取的功能数量GydF4y2Ba
正整数GydF4y2Ba

名称值对参数GydF4y2Ba

`'iterationlimit'GydF4y2Ba`-GydF4y2Ba最大迭代次数GydF4y2Ba
`1000GydF4y2Ba`(默认)|GydF4y2Ba正整数GydF4y2Ba

`'promoylevel'GydF4y2Ba`-GydF4y2Ba冗长的水平GydF4y2Ba
`0.GydF4y2Ba`(默认)|GydF4y2Ba非负整数GydF4y2Ba

`'lambda'GydF4y2Ba`-GydF4y2Ba正则化系数值GydF4y2Ba
`1GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

`“标准化”GydF4y2Ba`-GydF4y2Ba标志标准化预测器数据GydF4y2Ba
`错误的GydF4y2Ba`(默认)|GydF4y2Ba`真正的GydF4y2Ba`

`'contrastfcn'GydF4y2Ba`-GydF4y2Ba对比度功能GydF4y2Ba
`“logcosh”GydF4y2Ba`(默认)|GydF4y2Ba`'exp'GydF4y2Ba`|GydF4y2Ba`“√”GydF4y2Ba`

`'InitialTransformweights'GydF4y2Ba`-GydF4y2Ba初始化优化的转换权重GydF4y2Ba
`Randn（P，Q）GydF4y2Ba`(默认)|GydF4y2Ba数字矩阵GydF4y2Ba

`'nongaussianityindicator'GydF4y2Ba`-GydF4y2Ba不高斯的来源GydF4y2Ba
`的(q, 1)GydF4y2Ba`(默认)|GydF4y2Ba长度,GydF4y2Ba`问：GydF4y2Ba`矢量±1GydF4y2Ba

`“GradientTolerance”GydF4y2Ba`-GydF4y2Ba梯度规范的相对收敛耐受性GydF4y2Ba
`1 e-6GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

`“StepTolerance”GydF4y2Ba`-GydF4y2Ba阶梯尺寸的绝对收敛耐受性GydF4y2Ba
`1 e-6GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

输出参数GydF4y2Ba

`MDL.GydF4y2Ba`- 学习重建ICA模型GydF4y2Ba
`ReconstructionICAGydF4y2Ba`模型对象GydF4y2Ba

算法GydF4y2Ba

也可以看看GydF4y2Ba

话题GydF4y2Ba

统计和机器学习工具箱文档GydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

rGydF4y2Ba

句法GydF4y2Ba

描述GydF4y2Ba

例子GydF4y2Ba

创建重建ICA对象GydF4y2Ba

输入参数GydF4y2Ba

XGydF4y2Ba-GydF4y2Ba预测数据GydF4y2Ba数字矩阵GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

问：GydF4y2Ba-GydF4y2Ba提取的功能数量GydF4y2Ba正整数GydF4y2Ba

名称值对参数GydF4y2Ba

'iterationlimit'GydF4y2Ba-GydF4y2Ba最大迭代次数GydF4y2Ba1000GydF4y2Ba(默认)|GydF4y2Ba正整数GydF4y2Ba

'promoylevel'GydF4y2Ba-GydF4y2Ba冗长的水平GydF4y2Ba0.GydF4y2Ba(默认)|GydF4y2Ba非负整数GydF4y2Ba

'lambda'GydF4y2Ba-GydF4y2Ba正则化系数值GydF4y2Ba1GydF4y2Ba(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

“标准化”GydF4y2Ba-GydF4y2Ba标志标准化预测器数据GydF4y2Ba错误的GydF4y2Ba(默认)|GydF4y2Ba真正的GydF4y2Ba

'contrastfcn'GydF4y2Ba-GydF4y2Ba对比度功能GydF4y2Ba“logcosh”GydF4y2Ba(默认)|GydF4y2Ba'exp'GydF4y2Ba|GydF4y2Ba“√”GydF4y2Ba

'InitialTransformweights'GydF4y2Ba-GydF4y2Ba初始化优化的转换权重GydF4y2BaRandn（P，Q）GydF4y2Ba(默认)|GydF4y2Ba数字矩阵GydF4y2Ba

'nongaussianityindicator'GydF4y2Ba-GydF4y2Ba不高斯的来源GydF4y2Ba的(q, 1)GydF4y2Ba(默认)|GydF4y2Ba长度,GydF4y2Ba问：GydF4y2Ba矢量±1GydF4y2Ba

“GradientTolerance”GydF4y2Ba-GydF4y2Ba梯度规范的相对收敛耐受性GydF4y2Ba1 e-6GydF4y2Ba(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

“StepTolerance”GydF4y2Ba-GydF4y2Ba阶梯尺寸的绝对收敛耐受性GydF4y2Ba1 e-6GydF4y2Ba(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

输出参数GydF4y2Ba

MDL.GydF4y2Ba- 学习重建ICA模型GydF4y2BaReconstructionICAGydF4y2Ba模型对象GydF4y2Ba

算法GydF4y2Ba

也可以看看GydF4y2Ba

话题GydF4y2Ba

统计和机器学习工具箱文档GydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

`XGydF4y2Ba`-GydF4y2Ba预测数据GydF4y2Ba
数字矩阵GydF4y2Ba|GydF4y2Ba桌子GydF4y2Ba

`问：GydF4y2Ba`-GydF4y2Ba提取的功能数量GydF4y2Ba
正整数GydF4y2Ba

`'iterationlimit'GydF4y2Ba`-GydF4y2Ba最大迭代次数GydF4y2Ba
`1000GydF4y2Ba`(默认)|GydF4y2Ba正整数GydF4y2Ba

`'promoylevel'GydF4y2Ba`-GydF4y2Ba冗长的水平GydF4y2Ba
`0.GydF4y2Ba`(默认)|GydF4y2Ba非负整数GydF4y2Ba

`'lambda'GydF4y2Ba`-GydF4y2Ba正则化系数值GydF4y2Ba
`1GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

`“标准化”GydF4y2Ba`-GydF4y2Ba标志标准化预测器数据GydF4y2Ba
`错误的GydF4y2Ba`(默认)|GydF4y2Ba`真正的GydF4y2Ba`

`'contrastfcn'GydF4y2Ba`-GydF4y2Ba对比度功能GydF4y2Ba
`“logcosh”GydF4y2Ba`(默认)|GydF4y2Ba`'exp'GydF4y2Ba`|GydF4y2Ba`“√”GydF4y2Ba`

`'InitialTransformweights'GydF4y2Ba`-GydF4y2Ba初始化优化的转换权重GydF4y2Ba
`Randn（P，Q）GydF4y2Ba`(默认)|GydF4y2Ba数字矩阵GydF4y2Ba

`'nongaussianityindicator'GydF4y2Ba`-GydF4y2Ba不高斯的来源GydF4y2Ba
`的(q, 1)GydF4y2Ba`(默认)|GydF4y2Ba长度,GydF4y2Ba`问：GydF4y2Ba`矢量±1GydF4y2Ba

`“GradientTolerance”GydF4y2Ba`-GydF4y2Ba梯度规范的相对收敛耐受性GydF4y2Ba
`1 e-6GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

`“StepTolerance”GydF4y2Ba`-GydF4y2Ba阶梯尺寸的绝对收敛耐受性GydF4y2Ba
`1 e-6GydF4y2Ba`(默认)|GydF4y2Ba积极的数字标量GydF4y2Ba

`MDL.GydF4y2Ba`- 学习重建ICA模型GydF4y2Ba
`ReconstructionICAGydF4y2Ba`模型对象GydF4y2Ba