黎加gydF4y2Ba

基于重构ICA的特征提取gydF4y2Ba

语法gydF4y2Ba

Mdl =黎加(X,问)gydF4y2Ba

Mdl =黎加(X, q,名称,值)gydF4y2Ba

描述gydF4y2Ba

MdlgydF4y2Ba=黎加(gydF4y2BaXgydF4y2Ba，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gydF4y2BapgydF4y2Ba变量。gydF4y2Ba问gydF4y2Ba是要提取的特征的数量吗gydF4y2BaXgydF4y2Ba,因此gydF4y2Ba黎加gydF4y2Ba学习一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba变换权矩阵。对于不完全或过完全的特征表示，gydF4y2Ba问gydF4y2Ba可以分别小于或大于预测变量的数量。gydF4y2Ba

要访问学到的转换权值，请使用gydF4y2BaMdl。TransformWeights．gydF4y2Ba
转换gydF4y2BaXgydF4y2Ba通过使用学习的转换，通过了新的功能集gydF4y2BaMdlgydF4y2Ba和gydF4y2BaXgydF4y2Ba来gydF4y2Ba变换gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

MdlgydF4y2Ba=黎加(gydF4y2BaXgydF4y2Ba，gydF4y2Ba问gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用一个或多个指定的附加选项gydF4y2Ba名称,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

全部折叠gydF4y2Ba

创建重建ICA对象gydF4y2Ba

打开生活的脚本gydF4y2Ba

创建一个gydF4y2Ba重建gydF4y2Ba对象的gydF4y2Ba黎加gydF4y2Ba函数。gydF4y2Ba

加载gydF4y2BaSampleImagePatchesgydF4y2Ba图像补丁。gydF4y2Ba

data =负载(gydF4y2Ba'samemimagepatches'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个功能。gydF4y2Ba

rnggydF4y2Ba默认的gydF4y2Ba%的再现性gydF4y2Baq = 100;Mdl =黎加(数据。X,问,gydF4y2Ba“IterationLimit”gydF4y2Ba, 100)gydF4y2Ba

警告：求解器LBFGS无法收敛到解决方案。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

黎加gydF4y2Ba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函数。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

预测器数据，指定为gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵或表格。行对应单个观察值，列对应单个预测变量。如果gydF4y2BaXgydF4y2Ba是一个表，那么它的所有变量都必须是数字向量。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba
正整数gydF4y2Ba

从预测器数据中提取的特征数量，指定为正整数。gydF4y2Ba

黎加gydF4y2Ba存储gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba中变换权矩阵gydF4y2BaMdl。TransformWeights．因此，设置非常大的值gydF4y2Ba问gydF4y2Ba会导致更大的内存消耗和计算时间的增加。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

名称-值对的观点gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名和gydF4y2Ba价值gydF4y2Ba为对应值。gydF4y2Ba的名字gydF4y2Ba必须出现在引号内。可以以任意顺序指定多个名称和值对参数gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Bamdl = rica（x，q，'iterationlimit'，200，'标准化'，true）gydF4y2Ba运行gydF4y2Ba黎加gydF4y2Ba优化迭代被限制在200个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

最大迭代次数，由逗号分隔对组成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

`“VerbosityLevel”gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(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“VerbosityLevel”gydF4y2Ba和这个表中的值。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`0gydF4y2Ba`	`黎加gydF4y2Ba`在命令行不显示收敛信息。gydF4y2Ba
正整数gydF4y2Ba	`黎加gydF4y2Ba`在命令行显示收敛信息。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`	目标函数梯度的范数。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`意味着满足弱狼条件。这种情况是目标函数的充分降低和曲率条件的组合。gydF4y2Ba
`γgydF4y2Ba`	步长乘以梯度差的内积，除以梯度差与自身的内积。梯度差是当前点的梯度减去前一点的梯度。给出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`当算法执行行搜索时。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“VerbosityLevel”,1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“λ”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“λ”gydF4y2Ba和一个正数标量。如果您指定gydF4y2Ba0gydF4y2Ba，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
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

标志来标准化预测器数据，指定为逗号分隔对，由gydF4y2Ba“标准化”gydF4y2Ba和gydF4y2Ba真正的gydF4y2Ba（gydF4y2Ba1gydF4y2Ba)或gydF4y2Ba假gydF4y2Ba（gydF4y2Ba0gydF4y2Ba)．gydF4y2Ba

如果gydF4y2Ba标准化gydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba,那么:gydF4y2Ba

黎加gydF4y2Ba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
黎加gydF4y2Ba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gydF4y2BaMdlgydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“标准化”,真的gydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

`“ContrastFcn”gydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`“logcosh”gydF4y2Ba`(默认)|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“√”gydF4y2Ba`

对比函数，指定为gydF4y2Ba“logcosh”gydF4y2Ba，gydF4y2Ba“经验”gydF4y2Ba,或gydF4y2Ba“√”gydF4y2Ba．对比度函数是一个光滑函数，类似于绝对值函数。的gydF4y2Ba黎加gydF4y2Ba目标函数包含一个项gydF4y2Ba

${\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{问gydF4y2Ba} \frac{1gydF4y2Ba}{ngydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} ggydF4y2Ba （gydF4y2Ba {wgydF4y2Ba}_{jgydF4y2Ba}^{TgydF4y2Ba} {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BaggydF4y2Ba表示对比度函数gydF4y2BawgydF4y2Ba_jgydF4y2Ba优化发生的变量是什么gydF4y2Ba ${\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba}$ 是数据。gydF4y2Ba

三种可用的对比度函数是:gydF4y2Ba

“logcosh”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba \frac{1gydF4y2Ba}{2gydF4y2Ba} 日志gydF4y2Ba （gydF4y2Ba cgydF4y2Ba （gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba$
“经验”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba -gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba -gydF4y2Ba \frac{{xgydF4y2Ba}^{2gydF4y2Ba}}{2gydF4y2Ba} ）gydF4y2Ba$
“√”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba \sqrt{{xgydF4y2Ba}^{2gydF4y2Ba} +gydF4y2Ba {10gydF4y2Ba}^{-gydF4y2Ba 8gydF4y2Ba}}$

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gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba数字矩阵。gydF4y2BapgydF4y2Ba必须是列或变量的数量gydF4y2BaXgydF4y2Ba和gydF4y2Ba问gydF4y2Ba的价值gydF4y2Ba问gydF4y2Ba．gydF4y2Ba

提示gydF4y2Ba

您可以通过在另一个调用中将其作为初始值传递，继续优化先前返回的转换权重矩阵gydF4y2Ba黎加gydF4y2Ba．输出模型对象gydF4y2BaMdlgydF4y2Ba将学习到的变换权矩阵存储在gydF4y2BaTransformWeightsgydF4y2Ba财产。gydF4y2Ba

例子:gydF4y2BaInitialTransformWeights, Mdl。TransformWeightsgydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“NonGaussianityIndicator”gydF4y2Ba`- - - - - -gydF4y2Ba同时指出的来源gydF4y2Ba
`的(q, 1)gydF4y2Ba`(默认)|gydF4y2Ba长度,gydF4y2Ba`问gydF4y2Ba`向量的±1gydF4y2Ba

源的非高斯性，指定为长度-gydF4y2Ba问gydF4y2Ba±1的向量。gydF4y2Ba

NonGaussianityIndicator (k) = 1gydF4y2Ba意味着gydF4y2Ba黎加gydF4y2Ba模特gydF4y2BakgydF4y2Bath源为超高斯，在0处有一个尖峰。gydF4y2Ba
NonGaussianityIndicator (k) = 1gydF4y2Ba意味着gydF4y2Ba黎加gydF4y2Ba模特gydF4y2BakgydF4y2Ba源为次高斯分布。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“GradientTolerance”gydF4y2Ba`- - - - - -gydF4y2Ba梯度范数的相对收敛容限gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

梯度范数上的相对收敛容差，指定为逗号分隔对由gydF4y2Ba“GradientTolerance”gydF4y2Ba和一个正数标量。这个梯度就是目标函数的梯度。gydF4y2Ba

例子:gydF4y2Ba“GradientTolerance”,1的军医gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“StepTolerance”gydF4y2Ba`- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

绝对收敛公差上的步长，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”,1的军医gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`MdlgydF4y2Ba`—学习重构ICA模型gydF4y2Ba
`重建gydF4y2Ba`模型对象gydF4y2Ba

学习重构ICA模型，返回为gydF4y2Ba重建gydF4y2Ba模型对象。gydF4y2Ba

访问gydF4y2BaMdlgydF4y2Ba，使用点符号。例如:gydF4y2Ba

要访问学到的变换权值，请使用gydF4y2BaMdl。TransformWeights．gydF4y2Ba
获取结构拟合信息，使用gydF4y2BaMdl。FitInfogydF4y2Ba．gydF4y2Ba

算法gydF4y2Ba

的gydF4y2Ba黎加gydF4y2Ba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,请参见gydF4y2Ba重建ICA算法gydF4y2Ba．gydF4y2Ba

另请参阅gydF4y2Ba

重建gydF4y2Ba|gydF4y2BasparsefiltgydF4y2Ba|gydF4y2Ba变换gydF4y2Ba

主题gydF4y2Ba

介绍了R2017agydF4y2Ba

黎加gydF4y2Ba

语法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表格gydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba
正整数gydF4y2Ba

名称-值对的观点gydF4y2Ba

`“IterationLimit”gydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“VerbosityLevel”gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数gydF4y2Ba

`“λ”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
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`“ContrastFcn”gydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`“logcosh”gydF4y2Ba`(默认)|gydF4y2Ba`“经验”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同时指出的来源gydF4y2Ba
`的(q, 1)gydF4y2Ba`(默认)|gydF4y2Ba长度,gydF4y2Ba`问gydF4y2Ba`向量的±1gydF4y2Ba

`“GradientTolerance”gydF4y2Ba`- - - - - -gydF4y2Ba梯度范数的相对收敛容限gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

`“StepTolerance”gydF4y2Ba`- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

输出参数gydF4y2Ba

`MdlgydF4y2Ba`—学习重构ICA模型gydF4y2Ba
`重建gydF4y2Ba`模型对象gydF4y2Ba

算法gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

黎加gydF4y2Ba

语法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表格gydF4y2Ba

问gydF4y2Ba- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba正整数gydF4y2Ba

名称-值对的观点gydF4y2Ba

“IterationLimit”gydF4y2Ba- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba1000gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

“VerbosityLevel”gydF4y2Ba- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba非负整数gydF4y2Ba

“λ”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假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

“ContrastFcn”gydF4y2Ba- - - - - -gydF4y2Ba对比功能gydF4y2Ba“logcosh”gydF4y2Ba(默认)|gydF4y2Ba“经验”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同时指出的来源gydF4y2Ba的(q, 1)gydF4y2Ba(默认)|gydF4y2Ba长度,gydF4y2Ba问gydF4y2Ba向量的±1gydF4y2Ba

“GradientTolerance”gydF4y2Ba- - - - - -gydF4y2Ba梯度范数的相对收敛容限gydF4y2Ba1 e-6gydF4y2Ba(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

“StepTolerance”gydF4y2Ba- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba1 e-6gydF4y2Ba(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

输出参数gydF4y2Ba

MdlgydF4y2Ba—学习重构ICA模型gydF4y2Ba重建gydF4y2Ba模型对象gydF4y2Ba

算法gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba
正整数gydF4y2Ba

`“IterationLimit”gydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“VerbosityLevel”gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数gydF4y2Ba

`“λ”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
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`“ContrastFcn”gydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`“logcosh”gydF4y2Ba`(默认)|gydF4y2Ba`“经验”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同时指出的来源gydF4y2Ba
`的(q, 1)gydF4y2Ba`(默认)|gydF4y2Ba长度,gydF4y2Ba`问gydF4y2Ba`向量的±1gydF4y2Ba

`“GradientTolerance”gydF4y2Ba`- - - - - -gydF4y2Ba梯度范数的相对收敛容限gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

`“StepTolerance”gydF4y2Ba`- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba积极的数字标量gydF4y2Ba

`MdlgydF4y2Ba`—学习重构ICA模型gydF4y2Ba
`重建gydF4y2Ba`模型对象gydF4y2Ba