الگوریتم تقسیم و غلبه بازگشتی برای تجزیه و تحلیل مولفه های اصلی پراکنده sparse
پروژه ۱۳۱۲: شبیه سازی مقاله در متلب
خلاصه:
در این مقاله یک رویکرد جدید برای PCA اسپارس براساس الگوریتم تقسیم و غلبه ارائه گردیده است. ایده اصلی جداسازی مشکلات PCA های اسپارس به چندین زیر مساله می باشد. با حل مساله بازگشتی این زیر مساله ها در مسیر تحلیلی ، یک الگوریتم کافی برای حل مساله PCA اسپارس حاصل می شود. الگوریتم فقط شامل یک محاسبات ساده بوده و به آسانی پیاده سازی می شود. الگوریتم پیشنهادی همچنین خیلی ساده دیگر مساله های PCA اسپارس با قید های خاص همانند مساله های PCA اسپارس غیر منفی را حل می نماید. همچنین نشان می دهیم که در همگرایی ، روش پیشنهادی در یک نقطه ثابت بهتر بوده و پیچیدگی روش تقریبا کم و خطی می باشد. روش پیشنهادی نشان می دهد که که جایگزین مناسبی برای یکسری از روش ها که دارای خطا و واریانس بالاست به کار رود برای فهم دیگر اطلاعات این شبیه سازی ، مقاله را از لینک زیر دانلود نمایید.
دانلود: دانلود اصل مقاله لاتین
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید..
برخی نتایج:
The loadings of the first six principal components by PCA:
۰٫۴۰۳۸ ۰٫۲۱۷۹ -۰٫۲۰۷۳ -۰٫۰۹۱۲ ۰٫۰۸۲۶ ۰٫۱۱۹۸
۰٫۴۰۵۵ ۰٫۱۸۶۱ -۰٫۲۳۵۰ -۰٫۱۰۲۷ ۰٫۱۱۲۸ ۰٫۱۶۲۹
۰٫۱۲۴۴ ۰٫۵۴۰۶ ۰٫۱۴۱۵ ۰٫۰۷۸۴ -۰٫۳۴۹۸ -۰٫۲۷۵۹
۰٫۱۷۳۲ ۰٫۴۵۵۶ ۰٫۳۵۲۴ ۰٫۰۵۴۸ -۰٫۳۵۵۸ -۰٫۰۵۴۰
۰٫۰۵۷۲ -۰٫۱۷۰۱ ۰٫۴۸۱۲ ۰٫۰۴۹۱ -۰٫۱۷۶۱ ۰٫۶۲۵۶
۰٫۲۸۴۴ -۰٫۰۱۴۲ ۰٫۴۷۵۳ -۰٫۰۶۳۴ ۰٫۳۱۵۸ ۰٫۰۵۲۳
۰٫۳۹۹۸ -۰٫۱۸۹۶ ۰٫۲۵۳۱ -۰٫۰۶۵۰ ۰٫۲۱۵۱ ۰٫۰۰۲۷
۰٫۲۹۳۶ -۰٫۱۸۹۲ -۰٫۲۴۳۱ ۰٫۲۸۵۵ -۰٫۱۸۵۳ -۰٫۰۵۵۱
۰٫۳۵۶۶ ۰٫۰۱۷۱ -۰٫۲۰۷۶ ۰٫۰۹۶۷ ۰٫۱۰۶۱ ۰٫۰۳۴۲
۰٫۳۷۸۹ -۰٫۲۴۸۵ -۰٫۱۱۸۸ -۰٫۲۰۵۰ -۰٫۱۵۶۴ -۰٫۱۷۳۱
-۰٫۰۱۱۱ ۰٫۲۰۵۳ -۰٫۰۷۰۵ ۰٫۸۰۳۷ ۰٫۳۴۳۰ ۰٫۱۷۵۳
-۰٫۱۱۵۱ ۰٫۳۴۳۲ ۰٫۰۹۲۰ -۰٫۳۰۰۸ ۰٫۶۰۰۴ -۰٫۱۶۹۸
-۰٫۱۱۲۵ ۰٫۳۰۸۵ -۰٫۳۲۶۱ -۰٫۳۰۳۴ -۰٫۰۷۹۹ ۰٫۶۲۶۳
The loadings of the first six sparse principal components by ReDaC method:
۰٫۴۳۶۵ ۰ ۰ ۰ ۰ ۰
۰٫۴۴۴۴ ۰ ۰ ۰ ۰ ۰
۰ ۰٫۷۰۷۱ ۰ ۰ ۰ ۰
۰ ۰٫۷۰۷۱ ۰ ۰ ۰ ۰
۰ ۰ ۰٫۵۸۹۸ ۰ ۰ ۰
۰٫۲۳۷۴ ۰ ۰٫۶۲۸۳ ۰ ۰ ۰
۰٫۳۸۱۸ ۰ ۰٫۵۰۷۳ ۰ ۰ ۰
۰٫۳۲۶۷ ۰ ۰ ۰ ۰ ۰
۰٫۳۸۹۳ ۰ ۰ ۰ ۰ ۰
۰٫۳۸۹۱ ۰ ۰ ۰ ۰ ۰
۰ ۰ ۰ ۱٫۰۰۰۰ ۰ ۰
۰ ۰ ۰ ۰ ۱٫۰۰۰۰ ۰
۰ ۰ ۰ ۰ ۰ ۱٫۰۰۰۰
The percentage of explained variance: 80.4726
مجموعه: مهندسی کامپیوتر, یادگیری ماشین