FPGA机器学习之机器学习的n中算法总结2

前面已经说了很多的算法了。比如说退火算法，蚂蚁算法，文化算法，禁忌算法等等。接下来要写一些其他的机器学习算法。迁移学习，集成算法，向量机，在线学习等算法。

我毛华望QQ849886241。技术博客http://blog.csdn.net/my_share   

迁移学习算法：大概理解一下就是，机器学习了一些知识后，可以更容易学会其他的知识，举个例子，学会桌子的人，更容易学会认识椅子。学会下象棋的人，更容易学围棋。基于boosting的迁移学习算法。http://wenku.baidu.com/link?url=oinVyarxctHwn8fbpLXueATxEkabROgIguH_QKHI9LfSEU35UZfzl7IuoISzkE8-Q6gCxRL9aLufvYWajoleX_PhEAh3mkPOGPxvzo3HE0W。其实这个算法，在龙星计划里面有的。但是不记得在哪里了。过程比较复杂，在我的记忆里面，它是一种比较新的机器学习算法。有时间还是需要深入了解的。

PCA算法：主成分分析法。PCA方法在降维和特征提取方面很有效果，无论是图像处理也好，还是机器学习也好。PCA算法经常会出现，主要在人脸识别方面应用非常广泛。人脸识别里面的主成分脸，就是PCA算法完成的。人脸识别里面配合使用的就是神经网络了，目前人脸识别热门所以这个算法需要深入了解。

ICA算法：独立成分分析算法。我看到的第一例子就和核磁共振成像有关，看来在图像方面，它有良好的表现。该方法的目的是将观察到的数据进行某种线性分解，使其分解成统计独立成分。其实ICA和PCA（主成分分析法）同属多变量数据分析方法，但是ICA处理得到的各个分量不仅去除了相关性，还是相互统计独立的，而且是非高斯分布，因此，ICA能更加全面揭示数据间的本质结构（http://www.docin.com/p-564088508.html）。《独立成分分析》是一本书，也有关于PCA的描述。

ICA的盲信号分析领域的一个强有力方法，也是求非高斯分布数据隐含因子的方法。从之前我们熟悉的样本-特征角度看，我们使用ICA的前提条件是，认为样本数据由独立非高斯分布的隐含因子产生，隐含因子个数等于特征数，我们要求的是隐含因子。而PCA认为特征是由k个正交的特征（也可看作是隐含因子）生成的，我们要求的是数据在新特征上的投影。同是因子分析，一个用来更适合用来还原信号（因为信号比较有规律，经常不是高斯分布的），一个更适合用来降维（用那么多特征干嘛，k个正交的即可）。有时候也需要组合两者一起使用