• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >A Derivative-Free Riemannian Powell’s Method, Minimizing Hartley-Entropy-Based ICA Contrast
【24h】

A Derivative-Free Riemannian Powell’s Method, Minimizing Hartley-Entropy-Based ICA Contrast

机译：无导数黎曼鲍威尔方法，最小化基于Hartley熵的ICA对比度

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Even though the Hartley-entropy-based contrast function guarantees an unmixing local minimum, the reported nonsmooth optimization techniques that minimize this nondifferentiable function encounter computational bottlenecks. Toward this, Powell's derivative-free optimization method has been extended to a Riemannian manifold, namely, oblique manifold, for the recovery of quasi-correlated sources by minimizing this contrast function. The proposed scheme has been demonstrated to converge faster than the related algorithms in the literature, besides the impressive source separation results in simulations involving synthetic sources having finite-support distributions and correlated images.
机译：即使基于Hartley熵的对比度函数保证了局部最小混合，所报告的使这种不可微函数最小化的非平滑优化技术也会遇到计算瓶颈。为此，鲍威尔的无导数优化方法已扩展到黎曼流形，即斜流形，以通过最小化该对比函数来恢复准相关源。除了在涉及具有有限支持分布和相关图像的合成源的模拟中令人印象深刻的源分离结果之外，已证明所提出的方案比文献中的相关算法收敛更快。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号