码迷,mamicode.com
首页 > 其他好文 > 详细

稀疏表示、字典学习和压缩感知(基本概念)

时间:2019-01-17 12:07:11      阅读:479      评论:0      收藏:0      [点我收藏+]

标签:csdn   方便   sof   技术   http   sans   height   microsoft   spl   

稀疏表示与字典学习

当样本数据是一个稀疏矩阵时,对学习任务来说会有不少的好处,例如很多问题变得线性可分,储存更为高效等。这便是稀疏表示与字典学习的基本出发点。

稀疏矩阵即矩阵的每一行/列中都包含了大量的零元素,且这些零元素没有出现在同一行/列,对于一个给定的稠密矩阵,若我们能通过某种方法找到其合适的稀疏表示,则可以使得学习任务更加简单高效,我们称之为稀疏编码(sparse coding)或字典学习(dictionary learning)。

给定一个数据集,字典学习/稀疏编码指的便是通过一个字典将原数据转化为稀疏表示,因此最终的目标就是求得字典矩阵B及稀疏表示α,书中使用变量交替优化的策略能较好地求得解,再次不进行深入。

技术分享图片

压缩感知

与特征选择、稀疏表示不同的是:压缩感知关注的是通过欠采样信息来恢复全部信息。在实际问题中,为了方便传输和存储,我们一般将数字信息进行压缩,这样就有可能损失部分信息,如何根据已有的信息来重构出全部信号,这便是压缩感知的来历,压缩感知的前提是已知的信息具有稀疏表示。下面是关于压缩感知的一些背景:

技术分享图片

 

参考自:https://blog.csdn.net/u011826404/article/details/72860607

详细版请参考:https://blog.csdn.net/baidu_38060633/article/details/70338345

稀疏表示、字典学习和压缩感知(基本概念)

标签:csdn   方便   sof   技术   http   sans   height   microsoft   spl   

原文地址:https://www.cnblogs.com/CJT-blog/p/10281448.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!