• 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 >Model Selection for Gaussian Kernel PCA Denoising
【24h】

Model Selection for Gaussian Kernel PCA Denoising

机译：高斯核PCA去噪的模型选择

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

We propose kernel parallel analysis (kPA) for automatic kernel scale and model order selection in Gaussian kernel principal component analysis (KPCA). Parallel analysis is based on a permutation test for covariance and has previously been applied for model order selection in linear PCA, we here augment the procedure to also tune the Gaussian kernel scale of radial basis function based KPCA. We evaluate kPA for denoising of simulated data and the U.S. postal data set of handwritten digits. We find that kPA outperforms other heuristics to choose the model order and kernel scale in terms of signal-to-noise ratio of the denoised data.
机译：我们提出了内核并行分析（kPA），用于在高斯内核主成分分析（KPCA）中自动进行内核缩放和模型顺序选择。并行分析基于协方差的置换检验，并且先前已应用于线性PCA中的模型顺序选择，在此我们扩展了过程，以调整基于径向基函数的KPCA的高斯核规模。我们评估kPA对模拟数据和美国邮政手写数据集进行降噪处理。我们发现，在去噪数据的信噪比方面，kPA优于其他启发式方法来选择模型阶数和核规模。

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