主要内容gydF4y2Ba

黎加gydF4y2Ba

利用重建ICA特征提取gydF4y2Ba

所有的页面崩溃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返回一个重建独立分量分析(黎加)模型对象,其中包含的结果应用黎加表或矩阵的预测数据gydF4y2BaXgydF4y2Ba包含gydF4y2BapgydF4y2Ba变量。gydF4y2Ba问gydF4y2Ba是特征提取的数量gydF4y2BaXgydF4y2Ba,因此gydF4y2Ba黎加gydF4y2Ba学习一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba权重矩阵的变换。undercomplete或overcomplete特性表征,gydF4y2Ba问gydF4y2Ba可以小于或大于预测变量的数量,分别。gydF4y2Ba

  • 访问学习转换重量、使用gydF4y2BaMdl.TransformWeightsgydF4y2Ba。gydF4y2Ba

  • 转换gydF4y2BaXgydF4y2Ba新设置的功能通过使用学习转换,通过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使用指定的一个或多个额外的选项gydF4y2Ba名称,值gydF4y2Ba对参数。例如,您可以规范预测数据或指定的值惩罚系数重建的目标函数。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

打开生活的脚本gydF4y2Ba

创建一个gydF4y2BaReconstructionICAgydF4y2Ba通过使用对象gydF4y2Ba黎加gydF4y2Ba函数。gydF4y2Ba

加载gydF4y2BaSampleImagePatchesgydF4y2Ba图像补丁。gydF4y2Ba

data =负载(gydF4y2Ba“SampleImagePatches”gydF4y2Ba);大小(data.X)gydF4y2Ba
ans =gydF4y2Ba1×2gydF4y2Ba5000 363gydF4y2Ba

363年有5000个图像补丁,每个都包含的特性。gydF4y2Ba

从数据中提取100特性。gydF4y2Ba

rnggydF4y2Ba默认的gydF4y2Ba%的再现性gydF4y2Baq = 100;Mdl =黎加(data.X qgydF4y2Ba“IterationLimit”gydF4y2Ba,100)gydF4y2Ba
警告:解决LBFGS无法收敛到一个解决方案。gydF4y2Ba
Mdl = ReconstructionICA ModelParameters: [1 x1 struct] NumPredictors: 363 NumLearnedFeatures: 100亩:σ[]:[]FitInfo: [1 x1 struct] TransformWeights: [363 x100双]InitialTransformWeights: [] NonGaussianityIndicator: [100 x1双]属性,方法gydF4y2Ba

黎加gydF4y2Ba发出一个警告,因为它停止由于迭代达到极限,而不是达到一个步长限制或gradient-size极限。你仍然可以使用学到的特性通过调用返回的对象gydF4y2Ba变换gydF4y2Ba函数。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

预测数据,指定为一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵或表。行对应于个人观察和列对应个人预测变量。如果gydF4y2BaXgydF4y2Ba是一个表,那么所有的变量必须是一个数字向量。gydF4y2Ba

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

数量的特征提取的预测数据,指定为一个正整数。gydF4y2Ba

黎加gydF4y2Ba存储gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba重量转换矩阵gydF4y2BaMdl.TransformWeightsgydF4y2Ba。因此,设置非常大的值gydF4y2Ba问gydF4y2Ba会导致更大的内存消耗和增加计算时间。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的双参数作为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba,在那里gydF4y2Ba的名字gydF4y2Ba参数名称和吗gydF4y2Ba价值gydF4y2Ba相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。gydF4y2Ba

R2021a之前,用逗号来分隔每一个名称和值,并附上gydF4y2Ba的名字gydF4y2Ba在报价。gydF4y2Ba

例子:gydF4y2BaMdl =黎加(X,问,“IterationLimit”, 200年,“标准化”,真的)gydF4y2Ba运行gydF4y2Ba黎加gydF4y2Ba与优化迭代限于200和标准化的预测数据。gydF4y2Ba

最大迭代次数,指定为逗号分隔组成的gydF4y2Ba“IterationLimit”gydF4y2Ba和一个正整数。gydF4y2Ba

例子:gydF4y2Ba“IterationLimit”, 1 e6gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

冗长水平监测算法收敛,指定为逗号分隔组成的gydF4y2Ba“VerbosityLevel”gydF4y2Ba在这个表和一个值。gydF4y2Ba

价值gydF4y2Ba 描述gydF4y2Ba
0gydF4y2Ba 黎加gydF4y2Ba在命令行中不显示融合信息。gydF4y2Ba
正整数gydF4y2Ba 黎加gydF4y2Ba在命令行显示融合信息。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 规范的目标函数的梯度。gydF4y2Ba
标准步骤gydF4y2Ba 迭代步骤的规范,这意味着以前的点和当前点之间的距离。gydF4y2Ba
曲线gydF4y2Ba 好吧gydF4y2Ba意味着软弱的沃尔夫条件满足。这个条件是充分的结合减少目标函数和曲率条件。gydF4y2Ba
γgydF4y2Ba 内积的一步倍梯度差异,除以梯度差异与自身的内积。梯度差异是当前点的梯度-前面点的梯度。在目标函数曲率提供诊断信息。gydF4y2Ba
αgydF4y2Ba 不同于一步方向乘数gydF4y2Ba1gydF4y2Ba当算法执行一行搜索。gydF4y2Ba
接受gydF4y2Ba 是的gydF4y2Ba意味着算法找到一个可接受的一步。gydF4y2Ba

例子:gydF4y2Ba“VerbosityLevel”, 1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

正则化系数值权重矩阵的变换,指定为逗号分隔组成的gydF4y2Ba“λ”gydF4y2Ba和积极的数字标量。如果您指定gydF4y2Ba0gydF4y2Ba,那么就没有目标函数的正则化项。gydF4y2Ba

例子:gydF4y2Ba“λ”,0.1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

标志标准化预测数据,指定为逗号分隔组成的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中心和尺度预测数据的每一列(gydF4y2BaXgydF4y2Ba分别列)的平均值和标准偏差。gydF4y2Ba

  • 黎加gydF4y2Ba提取新功能通过使用标准化预测矩阵,并存储预测变量均值和标准差的属性gydF4y2BaμgydF4y2Ba和gydF4y2BaσgydF4y2Ba的gydF4y2BaMdlgydF4y2Ba。gydF4y2Ba

例子:gydF4y2Ba“标准化”,真的gydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

对比函数,指定为gydF4y2Ba“logcosh”gydF4y2Ba,gydF4y2Ba“经验”gydF4y2Ba,或gydF4y2Ba“√”gydF4y2Ba。对比函数是一个光滑函数,类似于一个绝对值函数。的gydF4y2Ba黎加gydF4y2Ba目标函数包含一个术语gydF4y2Ba

∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ggydF4y2Ba (gydF4y2Ba wgydF4y2Ba jgydF4y2Ba TgydF4y2Ba xgydF4y2Ba ˜gydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2BaggydF4y2Ba对比函数,代表gydF4y2BawgydF4y2BajgydF4y2Ba的变量进行优化,和gydF4y2Ba xgydF4y2Ba ˜gydF4y2Ba 我gydF4y2Ba 是数据。gydF4y2Ba

三个可用的对比函数有:gydF4y2Ba

  • “logcosh”gydF4y2Ba- - - - - -gydF4y2Ba ggydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 日志gydF4y2Ba (gydF4y2Ba coshgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba )gydF4y2Ba )gydF4y2Ba

  • “经验”gydF4y2Ba- - - - - -gydF4y2Ba ggydF4y2Ba =gydF4y2Ba −gydF4y2Ba 经验值gydF4y2Ba (gydF4y2Ba −gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba )gydF4y2Ba

  • “√”gydF4y2Ba- - - - - -gydF4y2Ba ggydF4y2Ba =gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba +gydF4y2Ba 10gydF4y2Ba −gydF4y2Ba 8gydF4y2Ba

例子:gydF4y2Ba“ContrastFcn”、“经验值”gydF4y2Ba

转换权值初始化优化,指定为逗号分隔组成的gydF4y2Ba“InitialTransformWeights”gydF4y2Ba和一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba数字矩阵。gydF4y2BapgydF4y2Ba必须列或变量的数量吗gydF4y2BaXgydF4y2Ba和gydF4y2Ba问gydF4y2Ba的值是gydF4y2Ba问gydF4y2Ba。gydF4y2Ba

提示gydF4y2Ba

你可以继续优化之前返回转换权重矩阵通过它作为初始值在另一个电话gydF4y2Ba黎加gydF4y2Ba。输出模型对象gydF4y2BaMdlgydF4y2Ba存储了变换矩阵的重量gydF4y2BaTransformWeightsgydF4y2Ba财产。gydF4y2Ba

例子:gydF4y2BaInitialTransformWeights, Mdl.TransformWeightsgydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

指定的源,同时作为一个长度gydF4y2Ba问gydF4y2Ba±1的向量。gydF4y2Ba

  • NonGaussianityIndicator (k) = 1gydF4y2Ba意味着gydF4y2Ba黎加gydF4y2Ba模型的gydF4y2BakgydF4y2Bath高斯源,用一把锋利的峰值在0。gydF4y2Ba

  • NonGaussianityIndicator (k) = 1gydF4y2Ba意味着gydF4y2Ba黎加gydF4y2Ba模型的gydF4y2BakgydF4y2Ba源亚高斯。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

相对收敛公差梯度准则,指定为逗号分隔组成的gydF4y2Ba“GradientTolerance”gydF4y2Ba和积极的数字标量。这是目标函数的梯度渐变。gydF4y2Ba

例子:gydF4y2Ba“GradientTolerance”, 1的军医gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

绝对收敛步长公差,指定为逗号分隔组成的gydF4y2Ba“StepTolerance”gydF4y2Ba和积极的数字标量。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

学会了重建ICA模型,作为一个返回gydF4y2BaReconstructionICAgydF4y2Ba模型对象。gydF4y2Ba

访问的属性gydF4y2BaMdlgydF4y2Ba,使用点符号。例如:gydF4y2Ba

  • 访问学习改变权重,使用gydF4y2BaMdl.TransformWeightsgydF4y2Ba。gydF4y2Ba

  • 拟合的结构信息的获取、使用gydF4y2BaMdl.FitInfogydF4y2Ba。gydF4y2Ba

算法gydF4y2Ba

的gydF4y2Ba黎加gydF4y2Ba函数创建一个线性变换的输入特性输出特性。转换是基于优化非线性目标函数大致平衡统计独立的输出特性和能力重建输入数据使用的输出特性。gydF4y2Ba

有关详细信息,请参见gydF4y2Ba重建ICA算法gydF4y2Ba。gydF4y2Ba

版本历史gydF4y2Ba

介绍了R2017agydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|gydF4y2Ba

主题gydF4y2Ba