《(8.5)--8.5 稀疏编码机器学习与模式识别.ppt》由会员分享，可在线阅读，更多相关《(8.5)--8.5 稀疏编码机器学习与模式识别.ppt（21页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、Sparse Learning稀疏学稀疏学习CHAPTER ONE概念与思路Concepts and Ideas 一、概念与思路一、概念与思路样本特征中只有少量非零元素，称它是“稀疏”的！什么是“稀疏”？例子1：你如何描述一个喜欢的女孩儿？-非稀疏：大眼睛、小嘴巴、高鼻梁、红脸蛋-稀疏：有点像迪丽热巴和周冬雨的组合00.70000.300一、概念与思路一、概念与思路样本特征中只有少量非零元素，称它是“稀疏”的！什么是“稀疏”？为什么要“稀疏”？“高维空间+稀疏分布”更容易变成线性可分；稀疏向量和矩阵可以减少存储空间，提高存储效率；稀疏表达是一种“正则化”，能提高泛化能力和可分性。字典一、概念与
2、思路一、概念与思路以空间维度换取表征效率-以大量非正交的特征向量构造字典-以其中少部分特征的线性组合表征某个具体的数据算法思路字典学习-从原始数据中学出一组特征向量，使得表征稀疏化；稀疏编码-基于一组已经学到的特征向量，求出对应的稀疏化表达；挑战：“字典学习”与“稀疏编码”同步进行算法任务CHAPTER TWO问题模型Problem Model二、问题模型二、问题模型稀疏编码的问题描述字典样本稀疏性目标函数重构误差约束二、问题模型二、问题模型优化问题的转化有约束优化问题的原始形式：字典样本稀疏性目标函数重构误差约束优化技巧目标函数与约束条件对调二、问题模型二、问题模型问题理解L2约束下的最优解
3、L1约束下的最优解12问题描述：二、问题模型二、问题模型问题重述CHAPTER THREE问题求解Solving Problem三、问题求解三、问题求解基本策略LASSO：Least Absolute Shrinkage and Selection Operator三、问题求解三、问题求解稀疏编码=()/三、问题求解三、问题求解字典学习左奇异向量CHAPTER FOUR应用Applications四、应用四、应用图像表征以字典为基向量，利用稀疏编码表征局部图像块四、应用四、应用图像去噪用基于稀疏编码的重构取代原图像局部区域，达到去噪作用原始图像加噪图像稀疏编码去噪结果四、应用四、应用压缩感知在某个变换域稀疏分布的信号可用远低于奈奎斯特频率的随机亚采样实现良好的恢复重建。稀疏编码能找到这个变换域总结ConclusionsLM&PRMADE BY DONGYUE CHENTHANK YOU感谢聆听