包含数据集和源码， 使用CAE压缩图片，得到压缩的特征。例如将400*300维度的图片压缩为600维的特征。 - 训练 - 生成测试结果 - 生成中间结果 - 画图测试原图与重构图 # 其他 需要根据图片分辨率设置CAE格式 包含数据集和源码， 使用CAE压缩图片，得到压缩的特征。例如将400*300维度的图片压缩为600维的特征。 - 训练 - 生成测试结果 - 生成中间结果 - 画图测试原图与重构图 # 其他 需要根据图片分辨率设置CAE格式

模式识别课程/Matlab/实现PCA降维操作

 在现实生活中，实际问题很难用线性模型进行描述。神经网络的出现大大降低了模型建立的难度和工作量。只需将神经网络看成是一个黑箱子,根据输入与输出数据,神经网络依据相关的学习规则,便可以建立相应的数学模型。但是,当数学模型的输人自变量(即影响因素)很多,输人自变量之间不是相互独立时,利用神经网络容易出现过拟合现象,从而导致所建立的模型精度低,建模时间长等问题。因此,在建立模型之前,有必要对输入自变量进行优化选择,将冗余的一些自变量去掉,选择最能反映输入与输出关系的自变量参与建模。

神经网络用于数据降维Matlab代码

这段时间，自己学习了一些有关机器学习的算法，现在拿鸢尾花分类来对这四种进行巩固与回顾。 这些算法都是直接使用的skearn库的算法，并未自己编写。 鸢尾花的降维 import matplotlib.pyplot as plt from sklearn.decomposition import PCA from sklearn.datasets import load_iris data = load_iris() y = data.target X = data.data pca = PCA(n_components=2) reduced_X = pca.fit_transform(X) re

这个包提供了几个主要使用EM算法来拟合概率PCA和因子分析模型的函数。 PPCA是PCA模型的概率对应物。 PPCA 的优点是可以进一步扩展到更高级的模型，例如混合 PPCA、Bayeisan PPCA 或处理缺失数据的模型等。但是，该包主要用于人们理解模型的研究和教学目的。 代码简洁，易于阅读和学习。 该软件包现在是PRML工具箱的一部分（ http://cn.mathworks.com/help/stats/ppca.html ）。

基于特征降维的语音情感识别 MATLAB PCA

matlab光谱降维码提取大脑氧合信号中瞬时成分的方法 Matlab编码了一种分解方法，可从早产儿的大脑充氧信号中提取瞬态信号。 该方法以迭代方式使用奇异频谱分析。 设计用于使用近红外光谱（NIRS）设备测量的早产儿的脑氧合信号，但可能适用于其他领域。 请参阅下面的更多细节： O'Toole JM. Dempsey EM, Boylan GB (2018) 'Extracting transients from cerebral oxygenation signals of preterm infants: a new singular-spectrum analysis method' in Int Conf IEEE Eng Med Biol Society (EMBC), IEEE, pp. 5882--5885 如果使用此代码生成新结果，请引用以上参考。 | | | | 需要 具有信号处理工具箱的Matlab（）版本R2020a或更高版本。 （应该在较旧的版本上工作，但未经测试。） 在Matlab中添加此项目的路径。 也可以通过以下方式做到这一点： >> add_path_he

针对常见的降维方法难以有效保留多元时间序列主要特征的问题, 分析了传统主成分分析(PCA) 方法在多
元时间序列降维中的局限性, 提出一种基于共同主成分分析的多元时间序列降维方法, 并通过仿真实验比较了两种
方法的降维有效性和计算复杂度. 实验结果表明, 所提出的降维方法能够以相对较小的计算代价, 更有效地对多元时
间序列进行降维.

提出改进的快速TLS-ESPRIT（全局最小二乘子空间旋转不变）算法，其在TLS-ESPRIT算法的基础上，通过降低奇异值分解维数，减小了计算量，并对计算结果不产生影响，可高精度地辨识电力系统中任意组合谐波和间谐波的频率、幅值和相位参数信息。在采样间隔10 μs、采样2 000点的实验条件下，用仿真信号（含均方差为1的白噪声）和实际牵引变电站监测信号进行间谐波分析试验，结果表明，该方法具有良好的频率分辨率和抗噪声能力，能够在较短的数据窗内有效地辨识出信号中的主要谐波和间谐波分量，计算误差小于0.5 %；并且算法仅对周期信号敏感，不受频谱泄漏影响，实用性强。