sparsefilt
特征提取,利用稀疏的过滤
描述
例子
创建稀疏的过滤器
创建一个SparseFiltering通过使用对象sparsefilt函数。
加载SampleImagePatches图像补丁。
data =负载(“SampleImagePatches”);大小(data.X)
ans =1×25000 363
363年有5000个图像补丁,每个都包含的特性。
从数据中提取100特性。
rng默认的%的再现性Q = 100;obj = sparsefilt (data.X Q“IterationLimit”,100)
警告:解决LBFGS无法收敛到一个解决方案。
obj = SparseFiltering ModelParameters: [1 x1 struct] NumPredictors: 363 NumLearnedFeatures: 100亩:σ[]:[]FitInfo: [1 x1 struct] TransformWeights: [363 x100双]InitialTransformWeights:[]属性,方法
sparsefilt发出一个警告,因为它停止由于迭代达到极限,而不是达到一个步长限制或gradient-size极限。你仍然可以使用学到的特性通过调用返回的对象变换函数。
重新启动sparsefilt
继续优化稀疏的过滤器。
加载SampleImagePatches图像补丁。
data =负载(“SampleImagePatches”);大小(data.X)
ans =1×25000 363
363年有5000个图像补丁,每个都包含的特性。
从数据中提取100特性和使用迭代20的极限。
rng默认的%的再现性q = 100;Mdl = sparsefilt (data.X q“IterationLimit”,20);
警告:解决LBFGS无法收敛到一个解决方案。
查看生成的变换矩阵作为图像补丁。
但是= Mdl.TransformWeights;W =重塑(wts,[3 11日,11日,q]);(dx, dy, ~, ~) = (W)大小;为f = 1: q Wvec = W (:,:: f);Wvec = Wvec (:);Wvec = (Wvec - min (Wvec)) / (max (Wvec) - min (Wvec));W (:,:: f) =重塑(Wvec, dx, dy, 3);结束m =装天花板(sqrt (q));n = m;img = 0 (m * dx, n * dy, 3);f = 1;为i = 1: m为j = 1: n如果(f < = q) img((张)* dx + 1:我* dx, dy (j - 1) * + 1: j * dy:) = W (:,:: f);f = f + 1;结束结束结束imshow (img,“InitialMagnification”,300);
图像补丁出现吵了。清理噪音,尝试更多的迭代。重新启动优化从那里停了另一个40迭代。
Mdl = sparsefilt (data.X q“IterationLimit”现年40岁的“InitialTransformWeights”wts);
警告:解决LBFGS无法收敛到一个解决方案。
视图的更新变换矩阵作为图像补丁。
但是= Mdl.TransformWeights;W =重塑(wts,[3 11日,11日,q]);(dx, dy, ~, ~) = (W)大小;为f = 1: q Wvec = W (:,:: f);Wvec = Wvec (:);Wvec = (Wvec - min (Wvec)) / (max (Wvec) - min (Wvec));W (:,:: f) =重塑(Wvec, dx, dy, 3);结束m =装天花板(sqrt (q));n = m;img = 0 (m * dx, n * dy, 3);f = 1;为i = 1: m为j = 1: n如果(f < = q) img((张)* dx + 1:我* dx, dy (j - 1) * + 1: j * dy:) = W (:,:: f);f = f + 1;结束结束结束imshow (img,“InitialMagnification”,300);
这些图片不太吵了。
输入参数
输出参数
算法
的sparsefilt函数创建一个非线性变换的输入特性输出特性。转换是基于优化一个目标函数,鼓励每个示例的代表尽可能少的输出特性,同时保持输出特性同样活跃在示例。
有关详细信息,请参见稀疏的滤波算法。
版本历史
介绍了R2017a
