| ניתוח רכיב ראשי לא לינארי קוד מקור פשוט ויעיל של זיהוי פנים המבוסס על PCA nonlinear. |
הורד עכשיו |
ניתוח רכיב ראשי לא לינארי דירוג וסיכום
ניתוח רכיב ראשי לא לינארי תגים
ניתוח רכיב ראשי לא לינארי תיאור
הפחתת ממדית מקלה מאוד סיווג דפוס. טכניקות שונות, לינאריות ולא לינאריות, הוצעו בהרחבה ומשמשים להפחתת ממדיות במערכות זיהוי פנים. ניתוח רכיב עקרוני (PCA) הוכיח להיות שיטה ליניארית פשוטה ויעילה; בעוד שיטות לא ליניאריות רבות כגון קרנל PCA, הוצעו לאחרונה. ניתוח רכיב עיקרי לא לינארי (NLPCA) הוא נפוץ נתפס כהכללה לא ליניארית של ניתוח רכיב סטנדרטי (PCA). זה כללה את הרכיבים העיקריים מקווים ישרים עקומות (לא לינארית). לפיכך, את המרחב במרחב הנתונים המקורי המתואר על ידי כל הרכיבים הלא ליניאריים מעוקל גם. PCA Nonlinear ניתן להשיג באמצעות רשת עצבית עם ארכיטקטורה אוטוסוקיאטית הידועה גם Autoencoder, רשת משכפל, צווארי בקבוק או Sandglass סוג. רשת עצבית אוטוסקטיבית זו היא פרסטרון רב שכבת שמבצעת מיפוי זהות, כלומר את התפוקה של הרשת נדרשת להיות זהה לקלט. עם זאת, באמצע הרשת היא שכבה שעובדת כבקבקה בה נאכפת הפחתת הממד של הנתונים. צוואר צוואר זה מספק את ערכי הרכיבים הרצויים (ציונים). פיתחנו אלגוריתם פשוט המשתמש בירידה זו של מימדיות לא לינארית עבור זיהוי פנים. גישה זו אינה דורשת את זיהוי נקודת התייחסות כלשהי וזה יכול לשמש עבור יישומים בזמן אמת.
ניתוח רכיב ראשי לא לינארי תוכנה קשורה