[发明专利]基于核空间的流形学习非线性逼近的算法在审
| 申请号： | 201910062746.8 | 申请日： | 2019-01-23 |
| 公开（公告）号： | CN109784498A | 公开（公告）日： | 2019-05-21 |
| 发明（设计）人： | 马争鸣;苏薛;刘佳;刘洁 | 申请（专利权）人： | 中山大学 |
| 主分类号： | G06N20/00 | 分类号： | G06N20/00 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 510275 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 高维数据 低维 降维 流形学习算法 流形学习 核函数 非线性逼近 算法 机器学习领域 训练数据集 低维空间 高维空间 数据降维 映射关系 逼近 保存 预测 学习 | ||
【权利要求书】：
1.一种基于核空间的流形学习非线性逼近的算法，其主要特征在于：
A.计算给定高维数据集Xt的低维坐标Yt：根据高维数据Xt和选定的流形学习算法ε，计算高维数据Xt在此流形学习算法下的低维坐标Yt＝ε(Xt)并保存下来；
B.在给定的高维数据空间中构造降维函数：根据给定的高维数据Xt张成一个核函数空间在此空间上定义一个降维函数
C.根据给定的高维数据学习降维函数f的参数：用降维函数去逼近给定训练数据集Xt从高维到低维的映射关系，即在核函数空间中最小化降维函数得到的低维坐标和流形学习得到的低维坐标之间的误差，由于流形学习得到的低维坐标与实际低维坐标的误差为零，故目标函数为
从而学习到降维函数的参数a；
D.对于新给定的高维数据利用步骤C中得到的降维函数f来预测新来数据的低维坐标。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中山大学，未经中山大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910062746.8/1.html，转载请声明来源钻瓜专利网。
- 上一篇：基于计算图进化的AI模型自动生成的方法
- 下一篇：一种学习机器人及控制方法
