一种新的邻域重构法及其在机器学习中的应用
【文章页数】:46 页
【学位级别】:硕士
【部分图文】:
图1.1为了在半径r里面找到两个邻域点,需要的采样数据量随着样本自身维度的增加也呈??指数关系的增长.这样子的情况,在高维空间中需要消耗大量的计算量和存储空间.??
着对本征流形有更密集的采样,所以在表示子空间的时候中心点能得到更近的邻域??点.显然更大的数据集意味着更近的邻域点可以被采集到.但是,由于样本空间非常??高的维度,这需要大量的采样.图1.1表明了这个问题.??1.3本文的研究内容??基于图的子空间算法第一步要做的就是为每个样本点....
图4.1重构得到的邻域点的分布.蓝色的虚线曲线代表本征流形.在蓝色曲线上的蓝色点是??采样点.绿色的点是一个选定的中心点,其附近的两个黄色点为邻域点.红色的小点是根据??
第四章领域重构法收敛性分析??在本章,我们通过分析;Xji?+?来证明邻域重构法在本征流形附近的收??敛性.同时我们给出最优的c参数数值.图4.1是我们基于邻域重构法做了一个的模拟??实验结果.在这小实验里面,我们记录了当分别变化参数迭代次数s和调节参数C时,??得到的重构点的分....
图5.1用不同的算法将图片soldier?放大3倍之后的效果对比.??
中展示了对于每个中心点,邻域点数量选择对算法性能的影响.与原A+类似,邻域??重构法增强后的A+在邻域点数量是2048时遇到了瓶颈.A+原文中对这种现象的解??释是由训练集的规模大小所决定的.在图5.3(0中我们展示了原A+和用邻域重构法??增强后的A+结果评分比较.我们在比较的....
图5.2用不同的算法将图片building放大3倍之后的效果对比.??
(a)?Original?(b)?Bicubic,23.2(dB)?(c)?Zeyde[33],?24.1(dB)(d)?NE+LLE,24.0(dB)??¥?IP?fill:??(e)?A+[30],24.4(dB)?(f)?srcnn[28],24.5(dB)?(g)?RFL....
本文编号:3900143
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3900143.html