• 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 >Multilinear Sparse Principal Component Analysis
【24h】

Multilinear Sparse Principal Component Analysis

机译：多线性稀疏主成分分析

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

In this brief, multilinear sparse principal component analysis (MSPCA) is proposed for feature extraction from the tensor data. MSPCA can be viewed as a further extension of the classical principal component analysis (PCA), sparse PCA (SPCA) and the recently proposed multilinear PCA (MPCA). The key operation of MSPCA is to rewrite the MPCA into multilinear regression forms and relax it for sparse regression. Differing from the recently proposed MPCA, MSPCA inherits the sparsity from the SPCA and iteratively learns a series of sparse projections that capture most of the variation of the tensor data. Each nonzero element in the sparse projections is selected from the most important variables/factors using the elastic net. Extensive experiments on Yale, Face Recognition Technology face databases, and COIL-20 object database encoded the object images as second-order tensors, and Weizmann action database as third-order tensors demonstrate that the proposed MSPCA algorithm has the potential to outperform the existing PCA-based subspace learning algorithms.
机译：在本文中，提出了一种用于从张量数据中提取特征的多线性稀疏主成分分析（MSPCA）。 MSPCA可以看作是经典主成分分析（PCA），稀疏PCA（SPCA）和最近提出的多线性PCA（MPCA）的进一步扩展。 MSPCA的关键操作是将MPCA重写为多线性回归形式，并放宽它以进行稀疏回归。与最近提出的MPCA不同，MSPCA继承了SPCA的稀疏性，并反复学习了一系列稀疏的投影，这些投影捕获了张量数据的大部分变化。稀疏投影中的每个非零元素都是使用弹性网从最重要的变量/因子中选择的。在耶鲁大学，人脸识别技术的人脸数据库和COIL-20对象数据库上进行的大量实验将对象图像编码为二阶张量，而Weizmann动作数据库将其编码为三阶张量表明，所提出的MSPCA算法具有优于现有PCA的潜力的子空间学习算法。

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