将节点相似度矩阵，作为深度稀疏自动编码器的输入，并通过不断迭代，作为输出低维特征矩阵。（matlab编写）
2019-12-21 20:31:49
1.13MB
1
这个Matlab工具箱实现32种维数降低技术。这些技术都可以通过COMPUTE_MAPPING函数或trhough GUI。有以下技术可用：
- 主成分分析（'PCA'）
- 线性判别分析（'LDA'）
- 多维缩放（'MDS'）
- 概率PCA（'ProbPCA'）
- 因素分析（'因子分析'）
- Sammon映射（'Sammon'）
- Isomap（'Isomap'）
- Landmark Isomap（'LandmarkIsomap'）
- 局部线性嵌入（'LLE'）
- 拉普拉斯特征图（'Laplacian'）
- Hessian LLE（'HessianLLE'）
- 局部切线空间对准（'LTSA'）
- 扩散图（'DiffusionMaps'）
- 内核PCA（'KernelPCA'）
- 广义判别分析（'KernelLDA'）
- 随机邻居嵌入（'SNE'）
- 对称随机邻接嵌入（'SymSNE'）
- t分布随机邻居嵌入（'tSNE'）
- 邻域保留嵌入（'NPE'）
- 线性保持投影（'LPP'）
- 随机接近嵌入（'SPE'）
- 线性局部切线空间对准（'LLTSA'）
- 保形本征映射（'CCA'，实现为LLE的扩展）
- 最大方差展开（'MVU'，实现为LLE的扩展）
- 地标最大差异展开（'地标MVU'）
- 快速最大差异展开（'FastMVU'）
- 本地线性协调（'LLC'）
- 歧管图表（'ManifoldChart'）
- 协调因子分析（'CFA'）
- 高斯过程潜变量模型（'GPLVM'）
- 使用堆栈RBM预训练的自动编码器（'AutoEncoderRBM'）
- 使用进化优化的自动编码器（'AutoEncoderEA'）
此外，工具箱包含6种内在维度估计技术。这些技术可通过INTRINSIC_DIM函数获得。有以下技术可用：
- 基于特征值的估计（'EigValue'）
- 最大似然估计器（'MLE'）
- 基于相关维度的估计器（'CorrDim'）
- 基于最近邻域评估的估计器（'NearNb'）
- 基于包装数量（'PackingNumbers'）的估算器
- 基于测地最小生成树（'GMST'）的估计器
除了这些技术，工具箱包含用于预白化数据（函数PREWHITEN），精确和估计样本外扩展（函数OUT_OF_SAMPLE和OUT_OF_SAMPLE_EST）的函数以及生成玩具数据集（函数GENERATE_DATA）的函数。
工具箱的图形用户界面可通过DRGUI功能访问
2019-12-21 20:31:31
1.06MB
1
在MATLAB中实现用主成分分析（PCA）的方法对矩阵的降维.其中包括具体程序实现代码，为了增加程序的可读性，对程序的主要步骤都进行了解释。
2019-12-21 20:13:13
1KB
1
核主元分析 (Kernel Principal Component Analysis, KPCA)
语言：MATLAB
版本：V2.2
-----------------------------------------------------
创作不易，欢迎各位5星好评~~~
如有疑问或建议，请发邮件至：iqiukp@outlook.com
可提供关于该算法/代码的付费咨询和有偿编写
-----------------------------------------------------
主要特点
1. 易于使用的 API
2. 支持基于 KPCA 的数据降维、特征提取、数据重构
3. 支持基于 KPCA 的故障检测和故障诊断
4. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian)
5. 支持基于主元贡献率或给定数字的降维维度/主元个数选取
-----------------------------------------------------
注意
1. 仅支持基于高斯核函数的故障诊断
2. 核函数的参数对KPCA 模型的性能影响很大
3. 此代码仅供参考
2019-12-21 19:57:11
56KB
1