دانلود ترجمه مقاله تحلیل مولفه های اصلی تنک مشترک

1. مقدمه 2. پیشینه پژوهش 3. تحلیل مولفه های اصلی تنک مشترک 4. بحث و بررسی و تحلیل 5. پیاده سازی تجربی 6. نتیجه گیری

چکیده – تحلیل مولفه های اصلی (PCA) استفاده گسترده ای در کاهش ابعاد دارد. انواع بسیار زیادی از PCA برای بهبود استواری الگوریتم، پیشنهاد شده اند. اما، روش های موجود یا نمی توانند ویژگی های مفید را بطور هماهنگ انتخاب کنند و هنوز نسبت به برون هشته ها حساس است، که این باعث تنزل عملکرد آن در دقت دسته بندی می شود. در این مقاله، یک رویکرد نوین به نام «تحلیل مولفه های اصلی تنک مشترک» (JSPCA) برای انتخاب مشترک ویژگی های مفید و بهبود استواری در برابر بروشته ها، پیشنهاد می شود. به تفصیل، JSPCA، قید متعامد ماتریس تبدیل را سست می کند تا باعث شود آزادی بیشتری برای انتخاب مشترک ویژگی های مفید برای نمایش ابعاد کمتر، داشته باشد. JSPCA، قیدهای تنک مشترک بر تابع هدف آن تحمیل می کند، یعنی نرم l_2,1، بر هر دوی جمله های اتلاف و جمله متنظم سازی، تحمیل می شود، تا استواری الگوریتمی بهبود یابد. یکی از راهکارهای بهینه سازی ساده و اما موثر، ارائه می شود و تحلیل های نظری jSPCA ارائه می شوند. نتایج تجربی برروی هشت مجموعه داده (دیتاست) نشان می دهند که رویکرد پیشنهادی، امکان پذیر و موثر می باشد.

Principal component analysis (PCA) is widely used in dimensionality reduction. A lot of variants of PCA have been proposed to improve the robustness of the algorithm. However, the existing methods either cannot select the useful features consistently or is still sensitive to outliers, which will depress their performance of classification accuracy. In this paper, a novel approach called joint sparse principal component analysis (JSPCA) is proposed to jointly select useful features and enhance robustness to outliers. In detail, JSPCA relaxes the orthogonal constraint of transformation matrix to make it have more freedom to jointly select useful features for low-dimensional representation. JSPCA imposes joint sparse constraints on its objective function, i.e., l_2,1-norm is imposed on both the loss term and the regularization term, to improve the algorithmic robustness. A simple yet effective optimization solution is presented and the theoretical analyses of JSPCA are provided. The experimental results on eight data sets demonstrate that the proposed approach is feasible and effective.

ترجمه این مقاله در 30 صفحه آماده شده و در ادامه نیز صفحه 18 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.