黎加gydF4y2Ba

基于重构ICA的特征提取gydF4y2Ba

语法gydF4y2Ba

Mdl = rica(X,q)gydF4y2Ba

Mdl = rica(X,q，名称，值)gydF4y2Ba

描述gydF4y2Ba

MdlgydF4y2Ba=黎加(gydF4y2BaXgydF4y2Ba，gydF4y2Ba问gydF4y2Ba）gydF4y2Ba返回一个重构独立分量分析(RICA)模型对象，其中包含将RICA应用于预测器数据的表或矩阵的结果gydF4y2BaXgydF4y2Ba包含gydF4y2BapgydF4y2Ba变量。gydF4y2Ba问gydF4y2Ba要提取的特征的数量是多少gydF4y2BaXgydF4y2Ba,因此gydF4y2Ba黎加gydF4y2Ba学习一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba变换权值矩阵。对于不完全或过完全特征表示，gydF4y2Ba问gydF4y2Ba可以分别小于或大于预测变量的数量。gydF4y2Ba

要访问学习到的转换权重，请使用gydF4y2BaMdl。TransformWeights．gydF4y2Ba
转换gydF4y2BaXgydF4y2Ba通过使用学习到的转换，传递到新的特征集gydF4y2BaMdlgydF4y2Ba而且gydF4y2BaXgydF4y2Ba来gydF4y2Ba变换gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

MdlgydF4y2Ba=黎加(gydF4y2BaXgydF4y2Ba，gydF4y2Ba问gydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用一个或多个指定的其他选项gydF4y2Ba名称,值gydF4y2Ba对参数。例如，可以对预测器数据进行标准化，或者在目标函数的重构项中指定惩罚系数的值。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

创建重构ICA对象gydF4y2Ba

打开实时脚本gydF4y2Ba

创建一个gydF4y2BaReconstructionICAgydF4y2Ba对象，使用gydF4y2Ba黎加gydF4y2Ba函数。gydF4y2Ba

加载gydF4y2BaSampleImagePatchesgydF4y2Ba图像补丁。gydF4y2Ba

数据=负载(gydF4y2Ba“SampleImagePatches”gydF4y2Ba）;大小(data.X)gydF4y2Ba

ans =gydF4y2Ba1×2gydF4y2Ba5000 363gydF4y2Ba

有5000个图像补丁，每个补丁包含363个特征。gydF4y2Ba

从数据中提取100个特征。gydF4y2Ba

rnggydF4y2Ba默认的gydF4y2Ba%用于再现性gydF4y2BaQ = 100;Mdl = rica(数据。X,问,gydF4y2Ba“IterationLimit”gydF4y2Ba, 100)gydF4y2Ba

警告:解算器LBFGS不能收敛到一个解。gydF4y2Ba

Mdl = ReconstructionICA模型参数:[1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] NonGaussianityIndicator: [100x1 double]属性，方法gydF4y2Ba

黎加gydF4y2Ba发出警告，因为它由于达到迭代限制而停止，而不是达到步长限制或梯度大小限制。方法，仍然可以在返回对象中使用已学习的特性gydF4y2Ba变换gydF4y2Ba函数。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

预测器数据，指定为gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵或表格。行对应单独的观察结果，列对应单独的预测变量。如果gydF4y2BaXgydF4y2Ba是一个表，那么它的所有变量都必须是数字向量。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba
正整数gydF4y2Ba

从预测器数据中提取的特征数，指定为正整数。gydF4y2Ba

黎加gydF4y2Ba存储gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba变换权值矩阵gydF4y2BaMdl。TransformWeights．因此，为设置非常大的值gydF4y2Ba问gydF4y2Ba会导致更大的内存消耗和更长的计算时间。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

名称-值参数gydF4y2Ba

的可选逗号分隔对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名称和gydF4y2Ba价值gydF4y2Ba对应的值。gydF4y2Ba的名字gydF4y2Ba必须出现在引号内。您可以以任意顺序指定多个名称和值对参数gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

例子:gydF4y2BaMdl = rica(X,q，'IterationLimit'，200，'标准化'，true)gydF4y2Ba运行gydF4y2Ba黎加gydF4y2Ba优化迭代次数限制在200次，预测数据标准化。gydF4y2Ba

`IterationLimitgydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

最大迭代次数，指定为由逗号分隔的对组成的gydF4y2Ba“IterationLimit”gydF4y2Ba一个正整数。gydF4y2Ba

例子:gydF4y2Ba“IterationLimit”,1 e6gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`VerbosityLevelgydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数gydF4y2Ba

监视算法收敛的详细级别，指定为逗号分隔的对，由gydF4y2Ba“VerbosityLevel”gydF4y2Ba和这个表中的一个值。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`0gydF4y2Ba`	`黎加gydF4y2Ba`不在命令行显示收敛信息。gydF4y2Ba
正整数gydF4y2Ba	`黎加gydF4y2Ba`在命令行显示收敛信息。gydF4y2Ba

融合信息gydF4y2Ba

标题gydF4y2Ba	意义gydF4y2Ba
`有趣的价值gydF4y2Ba`	目标函数值。gydF4y2Ba
`规范研究生gydF4y2Ba`	目标函数梯度的范数。gydF4y2Ba
`标准步骤gydF4y2Ba`	迭代步长的范数，表示前一点到当前点的距离。gydF4y2Ba
`曲线gydF4y2Ba`	`好吧gydF4y2Ba`表示弱Wolfe条件满足。该条件是目标函数的充分减小和曲率条件的结合。gydF4y2Ba
`γgydF4y2Ba`	阶跃的内积乘以梯度差，除以梯度差与自身的内积。梯度差是当前点的梯度减去前一点的梯度。给出目标函数曲率的诊断信息。gydF4y2Ba
`αgydF4y2Ba`	阶跃方向乘法器，不同于gydF4y2Ba`1gydF4y2Ba`当算法执行行搜索时。gydF4y2Ba
`接受gydF4y2Ba`	`是的gydF4y2Ba`说明算法找到了可以接受的步骤。gydF4y2Ba

例子:gydF4y2Ba“VerbosityLevel”,1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`λgydF4y2Ba`- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

变换权重矩阵的正则化系数值，指定为由逗号分隔的对组成gydF4y2Ba“λ”gydF4y2Ba和一个正的标量。如果你指定gydF4y2Ba0gydF4y2Ba，则目标函数中不存在正则化项。gydF4y2Ba

例子:gydF4y2Ba“λ”,0.1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`标准化gydF4y2Ba`- - - - - -gydF4y2Ba标志来标准化预测器数据gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

标志来标准化预测器数据，指定为由逗号分隔的对组成gydF4y2Ba“标准化”gydF4y2Ba而且gydF4y2Ba真正的gydF4y2Ba（gydF4y2Ba1gydF4y2Ba)或gydF4y2Ba假gydF4y2Ba（gydF4y2Ba0gydF4y2Ba）.gydF4y2Ba

如果gydF4y2Ba标准化gydF4y2Ba是gydF4y2Ba真正的gydF4y2Ba,那么:gydF4y2Ba

黎加gydF4y2Ba对预测器数据的每列进行居中和缩放(gydF4y2BaXgydF4y2Ba)分别用列均值和标准差表示。gydF4y2Ba
黎加gydF4y2Ba利用标准化预测矩阵提取新特征，并将预测变量均值和标准差存储在属性中gydF4y2BaμgydF4y2Ba而且gydF4y2BaσgydF4y2Ba的gydF4y2BaMdlgydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“标准化”,真的gydF4y2Ba

数据类型:gydF4y2Ba逻辑gydF4y2Ba

`ContrastFcngydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`“logcosh”gydF4y2Ba`(默认)|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“√”gydF4y2Ba`

对比函数，指定为gydF4y2Ba“logcosh”gydF4y2Ba，gydF4y2Ba“经验”gydF4y2Ba,或gydF4y2Ba“√”gydF4y2Ba．对比函数是一个平滑函数，类似于绝对值函数。的gydF4y2Ba黎加gydF4y2Ba目标函数包含一项gydF4y2Ba

${\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{问gydF4y2Ba} \frac{1gydF4y2Ba}{ngydF4y2Ba} {\sumgydF4y2Ba}_{我gydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} ggydF4y2Ba （gydF4y2Ba {wgydF4y2Ba}_{jgydF4y2Ba}^{TgydF4y2Ba} {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba} ）gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BaggydF4y2Ba表示对比函数gydF4y2BawgydF4y2Ba_jgydF4y2Ba这些变量是用于进行优化的吗gydF4y2Ba ${\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba}$ 是数据。gydF4y2Ba

三个可用的对比函数是:gydF4y2Ba

“logcosh”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba \frac{1gydF4y2Ba}{2gydF4y2Ba} 日志gydF4y2Ba （gydF4y2Ba coshgydF4y2Ba （gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba ）gydF4y2Ba ）gydF4y2Ba$
“经验”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba -gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba -gydF4y2Ba \frac{{xgydF4y2Ba}^{2gydF4y2Ba}}{2gydF4y2Ba} ）gydF4y2Ba$
“√”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba ＝gydF4y2Ba \sqrt{{xgydF4y2Ba}^{2gydF4y2Ba} +gydF4y2Ba {10gydF4y2Ba}^{-gydF4y2Ba 8gydF4y2Ba}}$

例子:gydF4y2Ba“ContrastFcn”、“经验值”gydF4y2Ba

`InitialTransformWeightsgydF4y2Ba`- - - - - -gydF4y2Ba初始化优化的转换权重gydF4y2Ba
`randn (p, q)gydF4y2Ba`(默认)|gydF4y2Ba数字矩阵gydF4y2Ba

初始化优化的转换权重，指定为由逗号分隔的对组成gydF4y2Ba“InitialTransformWeights”gydF4y2Ba和一个gydF4y2BapgydF4y2Ba——- - - - - -gydF4y2Ba问gydF4y2Ba数字矩阵。gydF4y2BapgydF4y2Ba必须是列或变量的数量gydF4y2BaXgydF4y2Ba而且gydF4y2Ba问gydF4y2Ba的值gydF4y2Ba问gydF4y2Ba．gydF4y2Ba

提示gydF4y2Ba

可以继续优化先前返回的转换权重矩阵，方法是在另一个调用中将其作为初始值传递给gydF4y2Ba黎加gydF4y2Ba．输出模型对象gydF4y2BaMdlgydF4y2Ba对象中存储已学习的变换权值矩阵gydF4y2BaTransformWeightsgydF4y2Ba财产。gydF4y2Ba

例子:gydF4y2BaInitialTransformWeights, Mdl。TransformWeightsgydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`NonGaussianityIndicatorgydF4y2Ba`- - - - - -gydF4y2Ba源的非高斯性gydF4y2Ba
`的(q, 1)gydF4y2Ba`(默认)|gydF4y2Ba长度,gydF4y2Ba`问gydF4y2Ba`±1的矢量gydF4y2Ba

源的非高斯性，指定为长度-gydF4y2Ba问gydF4y2Ba±1的向量。gydF4y2Ba

NonGaussianityIndicator(k) = 1gydF4y2Ba意味着gydF4y2Ba黎加gydF4y2Ba模型的gydF4y2BakgydF4y2Bath源为超高斯分布，在0处有一个尖峰。gydF4y2Ba
NonGaussianityIndicator(k) = -1gydF4y2Ba意味着gydF4y2Ba黎加gydF4y2Ba模型的gydF4y2BakgydF4y2Ba第th源是亚高斯的。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`GradientTolerancegydF4y2Ba`- - - - - -gydF4y2Ba梯度范数上的相对收敛公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

梯度范数上的相对收敛容差，指定为逗号分隔的对，由gydF4y2Ba“GradientTolerance”gydF4y2Ba和一个正的标量。这个梯度就是目标函数的梯度。gydF4y2Ba

例子:gydF4y2Ba“GradientTolerance”,1的军医gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`StepTolerancegydF4y2Ba`- - - - - -gydF4y2Ba步长的绝对收敛容差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

步长上的绝对收敛容差，指定为由逗号分隔的对组成gydF4y2Ba“StepTolerance”gydF4y2Ba和一个正的标量。gydF4y2Ba

例子:gydF4y2Ba“StepTolerance”,1的军医gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`MdlgydF4y2Ba`-学习重建ICA模型gydF4y2Ba
`ReconstructionICAgydF4y2Ba`模型对象gydF4y2Ba

学习重建ICA模型，返回为gydF4y2BaReconstructionICAgydF4y2Ba模型对象。gydF4y2Ba

访问gydF4y2BaMdlgydF4y2Ba，使用点表示法。例如:gydF4y2Ba

要访问学习到的转换权重，请使用gydF4y2BaMdl。TransformWeights．gydF4y2Ba
获取结构的拟合信息，使用gydF4y2BaMdl。FitInfogydF4y2Ba．gydF4y2Ba

算法gydF4y2Ba

的gydF4y2Ba黎加gydF4y2Ba函数创建输入特征到输出特征的线性转换。转换基于优化一个非线性目标函数，该函数大致平衡了输出特征的统计独立性与使用输出特征重建输入数据的能力。gydF4y2Ba

详细信息请参见gydF4y2Ba重构ICA算法gydF4y2Ba．gydF4y2Ba

另请参阅gydF4y2Ba

sparsefiltgydF4y2Ba|gydF4y2Ba变换gydF4y2Ba|gydF4y2BaReconstructionICAgydF4y2Ba

主题gydF4y2Ba

在R2017a中引入gydF4y2Ba

黎加gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建重构ICA对象gydF4y2Ba

输入参数gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba
正整数gydF4y2Ba

名称-值参数gydF4y2Ba

`IterationLimitgydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`VerbosityLevelgydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数gydF4y2Ba

`λgydF4y2Ba`- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

`标准化gydF4y2Ba`- - - - - -gydF4y2Ba标志来标准化预测器数据gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`ContrastFcngydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`“logcosh”gydF4y2Ba`(默认)|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“√”gydF4y2Ba`

`InitialTransformWeightsgydF4y2Ba`- - - - - -gydF4y2Ba初始化优化的转换权重gydF4y2Ba
`randn (p, q)gydF4y2Ba`(默认)|gydF4y2Ba数字矩阵gydF4y2Ba

`NonGaussianityIndicatorgydF4y2Ba`- - - - - -gydF4y2Ba源的非高斯性gydF4y2Ba
`的(q, 1)gydF4y2Ba`(默认)|gydF4y2Ba长度,gydF4y2Ba`问gydF4y2Ba`±1的矢量gydF4y2Ba

`GradientTolerancegydF4y2Ba`- - - - - -gydF4y2Ba梯度范数上的相对收敛公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

`StepTolerancegydF4y2Ba`- - - - - -gydF4y2Ba步长的绝对收敛容差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

输出参数gydF4y2Ba

`MdlgydF4y2Ba`-学习重建ICA模型gydF4y2Ba
`ReconstructionICAgydF4y2Ba`模型对象gydF4y2Ba

算法gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的MATLAB指南gydF4y2Ba

黎加gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建重构ICA对象gydF4y2Ba

输入参数gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba预测数据gydF4y2Ba数字矩阵gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

问gydF4y2Ba- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba正整数gydF4y2Ba

名称-值参数gydF4y2Ba

IterationLimitgydF4y2Ba- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba1000gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

VerbosityLevelgydF4y2Ba- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba非负整数gydF4y2Ba

λgydF4y2Ba- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba1gydF4y2Ba(默认)|gydF4y2Ba正数值标量gydF4y2Ba

标准化gydF4y2Ba- - - - - -gydF4y2Ba标志来标准化预测器数据gydF4y2Ba假gydF4y2Ba(默认)|gydF4y2Ba真正的gydF4y2Ba

ContrastFcngydF4y2Ba- - - - - -gydF4y2Ba对比功能gydF4y2Ba“logcosh”gydF4y2Ba(默认)|gydF4y2Ba“经验”gydF4y2Ba|gydF4y2Ba“√”gydF4y2Ba

InitialTransformWeightsgydF4y2Ba- - - - - -gydF4y2Ba初始化优化的转换权重gydF4y2Barandn (p, q)gydF4y2Ba(默认)|gydF4y2Ba数字矩阵gydF4y2Ba

NonGaussianityIndicatorgydF4y2Ba- - - - - -gydF4y2Ba源的非高斯性gydF4y2Ba的(q, 1)gydF4y2Ba(默认)|gydF4y2Ba长度,gydF4y2Ba问gydF4y2Ba±1的矢量gydF4y2Ba

GradientTolerancegydF4y2Ba- - - - - -gydF4y2Ba梯度范数上的相对收敛公差gydF4y2Ba1 e-6gydF4y2Ba(默认)|gydF4y2Ba正数值标量gydF4y2Ba

StepTolerancegydF4y2Ba- - - - - -gydF4y2Ba步长的绝对收敛容差gydF4y2Ba1 e-6gydF4y2Ba(默认)|gydF4y2Ba正数值标量gydF4y2Ba

输出参数gydF4y2Ba

MdlgydF4y2Ba-学习重建ICA模型gydF4y2BaReconstructionICAgydF4y2Ba模型对象gydF4y2Ba

算法gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

万博1manbetx

掌握机器学习:一步一步的MATLAB指南gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特征数量gydF4y2Ba
正整数gydF4y2Ba

`IterationLimitgydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`VerbosityLevelgydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数gydF4y2Ba

`λgydF4y2Ba`- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

`标准化gydF4y2Ba`- - - - - -gydF4y2Ba标志来标准化预测器数据gydF4y2Ba
`假gydF4y2Ba`(默认)|gydF4y2Ba`真正的gydF4y2Ba`

`ContrastFcngydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`“logcosh”gydF4y2Ba`(默认)|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“√”gydF4y2Ba`

`InitialTransformWeightsgydF4y2Ba`- - - - - -gydF4y2Ba初始化优化的转换权重gydF4y2Ba
`randn (p, q)gydF4y2Ba`(默认)|gydF4y2Ba数字矩阵gydF4y2Ba

`NonGaussianityIndicatorgydF4y2Ba`- - - - - -gydF4y2Ba源的非高斯性gydF4y2Ba
`的(q, 1)gydF4y2Ba`(默认)|gydF4y2Ba长度,gydF4y2Ba`问gydF4y2Ba`±1的矢量gydF4y2Ba

`GradientTolerancegydF4y2Ba`- - - - - -gydF4y2Ba梯度范数上的相对收敛公差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

`StepTolerancegydF4y2Ba`- - - - - -gydF4y2Ba步长的绝对收敛容差gydF4y2Ba
`1 e-6gydF4y2Ba`(默认)|gydF4y2Ba正数值标量gydF4y2Ba

`MdlgydF4y2Ba`-学习重建ICA模型gydF4y2Ba
`ReconstructionICAgydF4y2Ba`模型对象gydF4y2Ba