发表服务
最近在看一些降维方面的论文，从一些基础算法的论文开始看起，包括PCA、SparsePCA、KernelPCA、SNE、NCA、LLE等等。目前已经整理了两篇文章，分别为《深入了解PCA》和《NeighbourhoodComponentAnalysis》，前者…
LLEisinherentlyanon-lineardimensionalityreductionstrategy即局部线性嵌入算法。该算法是针对非线性信号特征矢量维数的优化方法，这种维数优化并不是仅仅在数量上简单的约简，而是在保持原始数据性质不变的情况下，将高维空间的信号映射到低维空间上，即特征值的二次提取。
LLE的matlab代码写得简洁明了，是一个样板。在此有必要提提LawrenceSaul这个人。在Isomap和LLE的作者们中，Saul算是唯一一个以流形学习（并不限于）为研究对象开创学派的人。Saul早年主要做参数模型有关的算法。自从LLE以后，坐阵UPen创造了
LLE即局部线性嵌入算法，它是一种非线性降维算法。该算法核心思想为每个点可以由与它相邻的多个点的线性组合而近似重构，然后将高维数据投影到低维空间中，使其保持数据点之间的局部线性重构关系，即有相同的重构系数。
Partition-basedmethods：其原理简单来说就是，想象你有一堆散点需要聚类，想要的聚类效果就是“类内的点都足够近，类间的点都足够远”。首先你要确定这堆散点最后聚成几类，然后挑选几个点作为初始中心点，再然后依据预先定好的启发式算法…
机器学习降维算法:isomap&MDS.最近在看论文的时候看到论文中使用isomap算法把3D的人脸project到一个2D的image上。.提到降维，我的第一反应就是PCA,然而PCA是典型的线性降维，无法较好的对非线性结构降维。.ISOMAP是‘流形学习’中的一个经典算法…
最后研究了基于LLE算法和神经网络分类器的雷达辐射源识别技术。分析了识别流程的三个关键环节,包括信号的特征提取、特征选择以及如何根据所提取的数据来设计选择分类器,研究了常用神经网络分类器的原理结构。在此基础上通过LLE算法对信号在不同...
在主成分分析（PCA）原理总结中，我们对降维算法PCA做了总结。这里我们就对另外一种经典的降维方法线性判别分析（LinearDiscriminantAnalysis,以下简称LDA）做一个总结。
最近在看一些降维方面的论文，从一些基础算法的论文开始看起，包括PCA、SparsePCA、KernelPCA、SNE、NCA、LLE等等。目前已经整理了两篇文章，分别为《深入了解PCA》和《NeighbourhoodComponentAnalysis》，前者…
LLEisinherentlyanon-lineardimensionalityreductionstrategy即局部线性嵌入算法。该算法是针对非线性信号特征矢量维数的优化方法，这种维数优化并不是仅仅在数量上简单的约简，而是在保持原始数据性质不变的情况下，将高维空间的信号映射到低维空间上，即特征值的二次提取。
LLE的matlab代码写得简洁明了，是一个样板。在此有必要提提LawrenceSaul这个人。在Isomap和LLE的作者们中，Saul算是唯一一个以流形学习（并不限于）为研究对象开创学派的人。Saul早年主要做参数模型有关的算法。自从LLE以后，坐阵UPen创造了
LLE即局部线性嵌入算法，它是一种非线性降维算法。该算法核心思想为每个点可以由与它相邻的多个点的线性组合而近似重构，然后将高维数据投影到低维空间中，使其保持数据点之间的局部线性重构关系，即有相同的重构系数。
Partition-basedmethods：其原理简单来说就是，想象你有一堆散点需要聚类，想要的聚类效果就是“类内的点都足够近，类间的点都足够远”。首先你要确定这堆散点最后聚成几类，然后挑选几个点作为初始中心点，再然后依据预先定好的启发式算法…
机器学习降维算法:isomap&MDS.最近在看论文的时候看到论文中使用isomap算法把3D的人脸project到一个2D的image上。.提到降维，我的第一反应就是PCA,然而PCA是典型的线性降维，无法较好的对非线性结构降维。.ISOMAP是‘流形学习’中的一个经典算法…
最后研究了基于LLE算法和神经网络分类器的雷达辐射源识别技术。分析了识别流程的三个关键环节,包括信号的特征提取、特征选择以及如何根据所提取的数据来设计选择分类器,研究了常用神经网络分类器的原理结构。在此基础上通过LLE算法对信号在不同...
在主成分分析（PCA）原理总结中，我们对降维算法PCA做了总结。这里我们就对另外一种经典的降维方法线性判别分析（LinearDiscriminantAnalysis,以下简称LDA）做一个总结。
发表服务