稀疏编码(Sparse Coding)的前世今生(二)

       为了更进一步的清晰理解大脑皮层对信号编码的工作机制（策略），需要把他们转成数学语言，因为数学语言作为一种严谨的语言，可以利用它推导出期望和要寻找的程式。本节就使用概率推理（bayes views）的方式把稀疏编码扩展到随时间变化的图像上，因为人类或者哺乳动物在日常活动中通过眼睛获取的信号是随时间变化而变化的，对于此类信号仍然有一些稀疏系数和基可以描述他们，同类型的处理方式也有慢特征分析(slow features analysis)。废话不多说了，进入正题：

       我们把图像流（图像序列）看成时空基函数的线性组合再加上一些噪声,当然时空基函数可以想象成是时空不变的，类似于行为识别里的3D-SIFT，这点貌似又和慢特征分析扯上关系咯。同样时空基函数仍然有一些系数，用表示，则图像流则可以看成时空基和系数的卷积加上一些噪声，其模型如(公式一)所示：