数字的技术博客

传统的特点和本算法的特色传统的C-均值聚类算法，没有对样本特征进行优化，直接利用样本惊醒聚类，这样上述的这些方法的有效性很大程度的取决于样本的分布。 距离的选择我们假定样本x被非线性函数der（x）映射到高维特征空间，那么，我的的欧几里得距离有：distence(x,y) = sqrt( len( der(x) - der(y) ) ) = sqrt(der(x)*der(x) + der(y)*der(y) - 2*der(x)*der(y))显然，如果我门令K(x_i,x_j) =der(x_i) .*

<br /> <br /> K-L 变换，也就是PCA，得到的是MSE下的最优结构，但有时对于分类效果并不是很好。所以我们引入了ICA。如果是PCA是使二阶积累量为0的话，那么ICA就是前四阶积累量都是0.那ICA是什么意思呢？<br />类别信息的源头是一组独立的分量，但是类别信息表现出来的是一组互相相关的分量，当然这组分量的个数应该大于独立分量的个数。我们的任务就是去除这种互相关；使分量由相关的一组，变为无关的一组，也就是独立成分。<br /> 那具体该怎么做呢？我们一下有这么三个方法:<br /> <