- 博客(4)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 l1范数最小化快速算法
1：解决的问题模型如下： 或者约束条件可以适当的松弛，即为如下模型： 当然约束条件取l2l_2范数，bb数据获取的比较准确，结果逼近的效果更好，防止过拟合。如果取l1l_1 范数，则是获取的bb数据，受到污染比较严重。并且bb 本身就是稀疏的。这也是人的经验对于模型的成功也是很重要的。 2：几类优化算法 (1)梯度投影算法Gradient Projection Methods
2016-01-15 00:46:55
25402
原创 K-SVD算法学习
1：稀疏表示： 考虑线性等式，或者是线性逼近。X=DaX=Da,这里的D是M∗PM*P 的矩阵。称为字典（字典学习中），测量矩阵（压缩感知中），权重矩阵（多任务学习中），其中M<<PM<<P。DD 中的每一列称为原子。其模型为min||a||0min ||a||_0 s.t.X=Das.t.X=Da 等价于min1/2||X−Da||22+λ||a||0min 1/2||X-Da||_2^
2016-01-06 21:04:33
6428
原创 Proximal Gradient Method近端梯度算法
本文参考文献附在最后。是对参考文献的理解。 1：此算法解决凸优化问题模型如下：minF(x)=g(x)+h(x)min F(x)=g(x)+h(x)其中g(x)g(x)凸的，可微的。h(x)h(x) 闭的凸的。其中g(x),h(x)是由F(x)g(x),h(x)是由F(x) 分离出来的两项，当F(x)F(x) 分离的结果不同，即使是同一个问题，算法的实现方式也不尽相同， 2：算法的实现 1)对
2016-01-02 16:20:32
24974
7
原创 soft thresholding 软阈值算法
软阈值算法解决的是如下优化模型：min1/2||X−b||22+λ||X||1min 1/2||X-b||_{2}^2+\lambda||X||_{1} 首先给出软阈值作用的图像： 其中左边的是原始信号，右边的是软阈值作用后的结果。 现在我们看一下这个优化模型怎么用软阈值算法来求解。 很显然上述问题的最优解其实就相当于阈值为λ\lambda 的一个软阈值作用的结果。%% soft t
2016-01-02 13:30:00
19077
13
CRF++-0.58.tar.gz.zip
2019-06-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人