黎加gydF4y2Ba

通过使用重建ICA特征提取gydF4y2Ba

语法gydF4y2Ba

Mdl =黎加(X,问)gydF4y2Ba

MDL =哥斯达黎加（X，Q，名称，值）gydF4y2Ba

描述gydF4y2Ba

MdlgydF4y2Ba=哥斯达黎加（gydF4y2BaXgydF4y2Ba,gydF4y2Ba问gydF4y2Ba)gydF4y2Ba返回一个重建独立分量分析（RICA）模型，该模型包含从施加RICA表或预测数据的矩阵的结果对象gydF4y2BaXgydF4y2Ba含gydF4y2BapgydF4y2Ba变量。gydF4y2Ba问gydF4y2Ba是的特征以从提取数gydF4y2BaXgydF4y2Ba,因此gydF4y2Ba黎加gydF4y2Ba学会了一gydF4y2BapgydF4y2Ba-通过-gydF4y2Ba问gydF4y2Ba变换权矩阵。对于不完全或过度完整的特性表示，gydF4y2Ba问gydF4y2Ba可以比预测变量的数目小于或大于。gydF4y2Ba

要访问所学习的转换权重，请使用gydF4y2BaMdl.TransformWeightsgydF4y2Ba。gydF4y2Ba
转换gydF4y2BaXgydF4y2Ba通过使用学习到的转换，传递到新的特性集gydF4y2BaMdlgydF4y2Ba和gydF4y2BaXgydF4y2Ba至gydF4y2Ba转变gydF4y2Ba。gydF4y2Ba

例子gydF4y2Ba

MdlgydF4y2Ba=哥斯达黎加（gydF4y2BaXgydF4y2Ba,gydF4y2Ba问gydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba)gydF4y2Ba使用由一个或多个指定的附加选项gydF4y2Ba名称,值gydF4y2Ba对参数。例如，可以标准化预测数据或指定在目标函数的重构术语惩罚系数的值。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

创建重建ICA对象gydF4y2Ba

打开生活的脚本gydF4y2Ba

创建一个gydF4y2BaReconstructionICAgydF4y2Ba通过使用对象gydF4y2Ba黎加gydF4y2Ba函数。gydF4y2Ba

加载gydF4y2BaSampleImagePatchesgydF4y2Ba图像补丁。gydF4y2Ba

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

ans =gydF4y2Ba1×2gydF4y2Ba5000 363gydF4y2Ba

有5000个图像块，每片含363层的功能。gydF4y2Ba

从数据中提取100个特征。gydF4y2Ba

rnggydF4y2Ba默认gydF4y2Ba％用于重现gydF4y2Baq = 100;Mdl =黎加(data.X qgydF4y2Ba“IterationLimit”gydF4y2Ba,100)gydF4y2Ba

警告:Solver LBFGS无法收敛到一个解决方案。gydF4y2Ba

MDL = ReconstructionICA ModelParameters：[1x1的结构] NumPredictors：363个NumLearnedFeatures：100穆：[]西格玛：[] FitInfo：[1x1的结构] TransformWeights：363x100双] InitialTransformWeights：[] NonGaussianityIndicator：[100X1双]的属性，方法gydF4y2Ba

黎加gydF4y2Ba发出警告，因为它停止由于达到迭代极限，而不是达到了步长限制或梯度的大小限制。您还可以通过调用使用返回的对象学习功能gydF4y2Ba转变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

预测数据，指定为gydF4y2BangydF4y2Ba-通过-gydF4y2BapgydF4y2Ba数字矩阵或表。行对应于单独的观察值，列对应于单独的预测变量。如果gydF4y2BaXgydF4y2Ba是一个表，那么它的所有变量都必须是数值向量。gydF4y2Ba

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

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特性的数量gydF4y2Ba
正整数gydF4y2Ba

从预测数据中提取的特征数，指定为正整数。gydF4y2Ba

黎加gydF4y2Ba存储gydF4y2BapgydF4y2Ba-通过-gydF4y2Ba问gydF4y2Ba变换权重矩阵中gydF4y2BaMdl.TransformWeightsgydF4y2Ba。因此，设定非常大的值gydF4y2Ba问gydF4y2Ba会导致更大的内存消耗和增加的计算时间。gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

名称-值对的观点gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba名称gydF4y2Ba参数名和gydF4y2Ba值gydF4y2Ba是对应的值。gydF4y2Ba名称gydF4y2Ba必须出现在引号内。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：gydF4y2BaMdl =黎加(X,问,“IterationLimit”, 200年,“标准化”,真的)gydF4y2Ba运行gydF4y2Ba黎加gydF4y2Ba优化迭代次数限制在200次，并且采用标准化的预测数据。gydF4y2Ba

`“IterationLimit”gydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`（默认）|gydF4y2Ba正整数gydF4y2Ba

最大迭代次数，指定为逗号分隔对组成的gydF4y2Ba“IterationLimit”gydF4y2Ba和一个正整数。gydF4y2Ba

例：gydF4y2Ba'IterationLimit'，1E6gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“VerbosityLevel”gydF4y2Ba`- - - - - -gydF4y2Ba详细级别gydF4y2Ba
`0gydF4y2Ba`（默认）|gydF4y2Ba非负整数gydF4y2Ba

详细级别用于监测算法的收敛，指定为逗号分隔的一对组成的gydF4y2Ba“VerbosityLevel”gydF4y2Ba和表中的一个值。gydF4y2Ba

值gydF4y2Ba	描述gydF4y2Ba
`0gydF4y2Ba`	`黎加gydF4y2Ba`不显示在命令行收敛信息。gydF4y2Ba
正整数gydF4y2Ba	`黎加gydF4y2Ba`在命令行显示聚合信息。gydF4y2Ba

收敛信息gydF4y2Ba

标题gydF4y2Ba	含义gydF4y2Ba
`有趣的价值gydF4y2Ba`	目标函数值。gydF4y2Ba
`NORM GRADgydF4y2Ba`	目标函数梯度的范数。gydF4y2Ba
`NORM STEPgydF4y2Ba`	迭代步骤的规范，这意味着先前的点和当前点之间的距离。gydF4y2Ba
`CURVgydF4y2Ba`	`好gydF4y2Ba`表示满足弱沃尔夫条件。这个条件是目标函数的充分减少和曲率条件的组合。gydF4y2Ba
`GAMMAgydF4y2Ba`	阶跃的内积乘以梯度差，除以梯度差与自身的内积。梯度差等于当前点的梯度减去上一点的梯度。给出关于目标函数曲率的诊断信息。gydF4y2Ba
`ΑgydF4y2Ba`	步骤方向乘法器，其不同于gydF4y2Ba`1gydF4y2Ba`当算法执行行搜索时。gydF4y2Ba
`接受gydF4y2Ba`	`是gydF4y2Ba`装置算法找到可接受步骤服用。gydF4y2Ba

例：gydF4y2Ba“VerbosityLevel”, 1gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“λ”gydF4y2Ba`- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba
`1gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

用于变换的权重矩阵的正则化的系数值，指定为逗号分隔的一对组成的gydF4y2Ba“λ”gydF4y2Ba和一个正的数字标量。如果您指定gydF4y2Ba0gydF4y2Ba，再有就是在目标函数中没有调整项。gydF4y2Ba

例：gydF4y2Ba'LAMBDA'，0.1gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“标准化”gydF4y2Ba`- - - - - -gydF4y2Ba标志标准化预测数据gydF4y2Ba
`假gydF4y2Ba`（默认）|gydF4y2Ba`真正gydF4y2Ba`

标志来标准化预测器数据，指定为逗号分隔的对gydF4y2Ba“标准化”gydF4y2Ba和gydF4y2Ba真正gydF4y2Ba(gydF4y2Ba1gydF4y2Ba)或gydF4y2Ba假gydF4y2Ba(gydF4y2Ba0gydF4y2Ba)。gydF4y2Ba

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

黎加gydF4y2Ba中心和鳞预测数据的每一列（gydF4y2BaXgydF4y2Ba）由列均值和标准差，分别。gydF4y2Ba
黎加gydF4y2Ba提取由使用标准化的预测矩阵的新功能，并且存储该预测变量装置和性能标准偏差gydF4y2Ba亩gydF4y2Ba和gydF4y2Ba适马gydF4y2Ba的gydF4y2BaMdlgydF4y2Ba。gydF4y2Ba

例：gydF4y2Ba“标准化”,真的gydF4y2Ba

数据类型：gydF4y2Ba逻辑gydF4y2Ba

`“ContrastFcn”gydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`'logcosh'gydF4y2Ba`（默认）|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“开方”gydF4y2Ba`

对比函数，指定为gydF4y2Ba'logcosh'gydF4y2Ba,gydF4y2Ba“经验”gydF4y2Ba，要么gydF4y2Ba“开方”gydF4y2Ba。对比函数是平滑函数，它类似于一个绝对值函数。的gydF4y2Ba黎加gydF4y2Ba目标函数包含一个术语gydF4y2Ba

${ΣgydF4y2Ba}_{jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{问gydF4y2Ba} \frac{1gydF4y2Ba}{ngydF4y2Ba} {ΣgydF4y2Ba}_{我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} ggydF4y2Ba (gydF4y2Ba {wgydF4y2Ba}_{jgydF4y2Ba}^{TgydF4y2Ba} {\overset{〜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba})gydF4y2Ba,gydF4y2Ba$

哪里gydF4y2BaggydF4y2Ba表示对比函数gydF4y2BawgydF4y2Ba_jgydF4y2Ba优化所针对的变量，以及gydF4y2Ba ${\overset{〜gydF4y2Ba}{xgydF4y2Ba}}_{我gydF4y2Ba}$ 有数据。gydF4y2Ba

三个可用的对比度的功能有：gydF4y2Ba

'logcosh'gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba =gydF4y2Ba \frac{1gydF4y2Ba}{2gydF4y2Ba} 日志gydF4y2Ba (gydF4y2Ba coshgydF4y2Ba (gydF4y2Ba 2gydF4y2Ba xgydF4y2Ba)gydF4y2Ba)gydF4y2Ba$
“经验”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba =gydF4y2Ba -gydF4y2Ba EXPgydF4y2Ba (gydF4y2Ba -gydF4y2Ba \frac{{xgydF4y2Ba}^{2gydF4y2Ba}}{2gydF4y2Ba})gydF4y2Ba$
“开方”gydF4y2Ba- - - - - -gydF4y2Ba $ggydF4y2Ba =gydF4y2Ba \sqrt{{xgydF4y2Ba}^{2gydF4y2Ba} +gydF4y2Ba {10gydF4y2Ba}^{-gydF4y2Ba 8gydF4y2Ba}}$

例：gydF4y2Ba'ContrastFcn'， 'EXP'gydF4y2Ba

`“InitialTransformWeights”gydF4y2Ba`- - - - - -gydF4y2Ba转型的权重是初始化优化gydF4y2Ba
`randn (p, q)gydF4y2Ba`（默认）|gydF4y2Ba数字矩阵gydF4y2Ba

变换的权重即初始化优化，指定为逗号分隔的一对组成的gydF4y2Ba“InitialTransformWeights”gydF4y2Ba和gydF4y2BapgydF4y2Ba-通过-gydF4y2Ba问gydF4y2Ba数字矩阵。gydF4y2BapgydF4y2Ba必须是列或变量的数目吗gydF4y2BaXgydF4y2Ba和gydF4y2Ba问gydF4y2Ba的值gydF4y2Ba问gydF4y2Ba。gydF4y2Ba

提示gydF4y2Ba

您可以继续优化以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gydF4y2Ba黎加gydF4y2Ba。输出模型对象gydF4y2BaMdlgydF4y2Ba中存储一个已学习的变换权矩阵gydF4y2BaTransformWeightsgydF4y2Ba财产。gydF4y2Ba

例：gydF4y2BaInitialTransformWeights, Mdl.TransformWeightsgydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“NonGaussianityIndicator”gydF4y2Ba`- - - - - -gydF4y2Ba同时指出的来源gydF4y2Ba
`者（Q，1）gydF4y2Ba`（默认）|gydF4y2Ba长度-gydF4y2Ba`问gydF4y2Ba`向量的±1gydF4y2Ba

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

NonGaussianityIndicator（K）= 1gydF4y2Ba手段gydF4y2Ba黎加gydF4y2Ba模型的gydF4y2BakgydF4y2Ba源为超高斯，在0处有一个尖峰。gydF4y2Ba
NonGaussianityIndicator (k) = 1gydF4y2Ba手段gydF4y2Ba黎加gydF4y2Ba模型的gydF4y2BakgydF4y2Ba个源作为子高斯。gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`'GradientTolerance'gydF4y2Ba`- - - - - -gydF4y2Ba梯度范数的相对收敛公差gydF4y2Ba
`1E-6gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

梯度范数上的相对收敛公差，指定为由gydF4y2Ba'GradientTolerance'gydF4y2Ba和一个正的数字标量。这个梯度是目标函数的梯度。gydF4y2Ba

例：gydF4y2Ba“GradientTolerance”, 1的军医gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`'StepTolerance'gydF4y2Ba`- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba
`1E-6gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

步长上的绝对收敛公差，指定为逗号分隔对组成gydF4y2Ba'StepTolerance'gydF4y2Ba和一个正的数字标量。gydF4y2Ba

例：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

学习重构ICA模型，作为a返回gydF4y2BaReconstructionICAgydF4y2Ba模型对象。gydF4y2Ba

访问gydF4y2BaMdlgydF4y2Ba使用点符号。例如:gydF4y2Ba

要访问了解到变换的权重，使用gydF4y2BaMdl.TransformWeightsgydF4y2Ba。gydF4y2Ba
要访问的安装信息，使用结构gydF4y2BaMdl.FitInfogydF4y2Ba。gydF4y2Ba

算法gydF4y2Ba

的gydF4y2Ba黎加gydF4y2Ba函数创建的输入要素，以输出特征的线性变换。变换是基于优化非线性目标函数大致平衡输出的统计独立性设有与重建使用输出特征的输入数据的能力。gydF4y2Ba

有关详细信息,请参见gydF4y2Ba重建ICA算法gydF4y2Ba。gydF4y2Ba

另请参阅gydF4y2Ba

ReconstructionICAgydF4y2Ba|gydF4y2BasparsefiltgydF4y2Ba|gydF4y2Ba转变gydF4y2Ba

黎加gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建重建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要提取的特性的数量gydF4y2Ba
正整数gydF4y2Ba

名称-值对的观点gydF4y2Ba

`“IterationLimit”gydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`（默认）|gydF4y2Ba正整数gydF4y2Ba

`“VerbosityLevel”gydF4y2Ba`- - - - - -gydF4y2Ba详细级别gydF4y2Ba
`0gydF4y2Ba`（默认）|gydF4y2Ba非负整数gydF4y2Ba

`“λ”gydF4y2Ba`- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba
`1gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

`“标准化”gydF4y2Ba`- - - - - -gydF4y2Ba标志标准化预测数据gydF4y2Ba
`假gydF4y2Ba`（默认）|gydF4y2Ba`真正gydF4y2Ba`

`“ContrastFcn”gydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`'logcosh'gydF4y2Ba`（默认）|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“开方”gydF4y2Ba`

`“InitialTransformWeights”gydF4y2Ba`- - - - - -gydF4y2Ba转型的权重是初始化优化gydF4y2Ba
`randn (p, q)gydF4y2Ba`（默认）|gydF4y2Ba数字矩阵gydF4y2Ba

提示gydF4y2Ba

`“NonGaussianityIndicator”gydF4y2Ba`- - - - - -gydF4y2Ba同时指出的来源gydF4y2Ba
`者（Q，1）gydF4y2Ba`（默认）|gydF4y2Ba长度-gydF4y2Ba`问gydF4y2Ba`向量的±1gydF4y2Ba

`'GradientTolerance'gydF4y2Ba`- - - - - -gydF4y2Ba梯度范数的相对收敛公差gydF4y2Ba
`1E-6gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

`'StepTolerance'gydF4y2Ba`- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba
`1E-6gydF4y2Ba`（默认）|gydF4y2Ba正数标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

介绍了R2017agydF4y2Ba

统计和机器学习工具箱文件gydF4y2Ba

万博1manbetx

掌握机器学习:用MATLAB逐步指导gydF4y2Ba

黎加gydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建重建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要提取的特性的数量gydF4y2Ba正整数gydF4y2Ba

名称-值对的观点gydF4y2Ba

“IterationLimit”gydF4y2Ba- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba1000gydF4y2Ba（默认）|gydF4y2Ba正整数gydF4y2Ba

“VerbosityLevel”gydF4y2Ba- - - - - -gydF4y2Ba详细级别gydF4y2Ba0gydF4y2Ba（默认）|gydF4y2Ba非负整数gydF4y2Ba

“λ”gydF4y2Ba- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba1gydF4y2Ba（默认）|gydF4y2Ba正数标gydF4y2Ba

“标准化”gydF4y2Ba- - - - - -gydF4y2Ba标志标准化预测数据gydF4y2Ba假gydF4y2Ba（默认）|gydF4y2Ba真正gydF4y2Ba

“ContrastFcn”gydF4y2Ba- - - - - -gydF4y2Ba对比功能gydF4y2Ba'logcosh'gydF4y2Ba（默认）|gydF4y2Ba“经验”gydF4y2Ba|gydF4y2Ba“开方”gydF4y2Ba

“InitialTransformWeights”gydF4y2Ba- - - - - -gydF4y2Ba转型的权重是初始化优化gydF4y2Barandn (p, q)gydF4y2Ba（默认）|gydF4y2Ba数字矩阵gydF4y2Ba

提示gydF4y2Ba

“NonGaussianityIndicator”gydF4y2Ba- - - - - -gydF4y2Ba同时指出的来源gydF4y2Ba者（Q，1）gydF4y2Ba（默认）|gydF4y2Ba长度-gydF4y2Ba问gydF4y2Ba向量的±1gydF4y2Ba

'GradientTolerance'gydF4y2Ba- - - - - -gydF4y2Ba梯度范数的相对收敛公差gydF4y2Ba1E-6gydF4y2Ba（默认）|gydF4y2Ba正数标gydF4y2Ba

'StepTolerance'gydF4y2Ba- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba1E-6gydF4y2Ba（默认）|gydF4y2Ba正数标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

介绍了R2017agydF4y2Ba

统计和机器学习工具箱文件gydF4y2Ba

万博1manbetx

掌握机器学习:用MATLAB逐步指导gydF4y2Ba

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

`问gydF4y2Ba`- - - - - -gydF4y2Ba要提取的特性的数量gydF4y2Ba
正整数gydF4y2Ba

`“IterationLimit”gydF4y2Ba`- - - - - -gydF4y2Ba最大迭代次数gydF4y2Ba
`1000gydF4y2Ba`（默认）|gydF4y2Ba正整数gydF4y2Ba

`“VerbosityLevel”gydF4y2Ba`- - - - - -gydF4y2Ba详细级别gydF4y2Ba
`0gydF4y2Ba`（默认）|gydF4y2Ba非负整数gydF4y2Ba

`“λ”gydF4y2Ba`- - - - - -gydF4y2Ba正则化系数值gydF4y2Ba
`1gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

`“标准化”gydF4y2Ba`- - - - - -gydF4y2Ba标志标准化预测数据gydF4y2Ba
`假gydF4y2Ba`（默认）|gydF4y2Ba`真正gydF4y2Ba`

`“ContrastFcn”gydF4y2Ba`- - - - - -gydF4y2Ba对比功能gydF4y2Ba
`'logcosh'gydF4y2Ba`（默认）|gydF4y2Ba`“经验”gydF4y2Ba`|gydF4y2Ba`“开方”gydF4y2Ba`

`“InitialTransformWeights”gydF4y2Ba`- - - - - -gydF4y2Ba转型的权重是初始化优化gydF4y2Ba
`randn (p, q)gydF4y2Ba`（默认）|gydF4y2Ba数字矩阵gydF4y2Ba

`“NonGaussianityIndicator”gydF4y2Ba`- - - - - -gydF4y2Ba同时指出的来源gydF4y2Ba
`者（Q，1）gydF4y2Ba`（默认）|gydF4y2Ba长度-gydF4y2Ba`问gydF4y2Ba`向量的±1gydF4y2Ba

`'GradientTolerance'gydF4y2Ba`- - - - - -gydF4y2Ba梯度范数的相对收敛公差gydF4y2Ba
`1E-6gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

`'StepTolerance'gydF4y2Ba`- - - - - -gydF4y2Ba步长绝对收敛公差gydF4y2Ba
`1E-6gydF4y2Ba`（默认）|gydF4y2Ba正数标gydF4y2Ba

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