Principal subspace analysis for incomplete image data in one learning epoch

Wtadystaw Skarbek, Andrzej Cichocki, Wtodzimierz Kasprzak

Результат исследований: Вклад в журналСтатьярецензирование

1 Цитирования (Scopus)

Аннотация

In this paper we propose improved, high speed convergence algorithms for principal subspace analysis (PSA) and related principal component analysis (PCA). We have confirmed by computer simulations that applied recursive least squares (RLS) technique together with deflation preprocessing, dramatically improves the performance and reduces the training time to only one epoch for natural images. Furthermore, we have found that the training set can be reduced even to 10% of the total number of pixels, for high resolution images, without substantial loss of accuracy.

Язык оригиналаАнглийский
Страницы (с-по)375-382
Число страниц8
ЖурналNeural Network World
Том6
Номер выпуска3
СостояниеОпубликовано - 1996
Опубликовано для внешнего пользованияДа

Fingerprint

Подробные сведения о темах исследования «Principal subspace analysis for incomplete image data in one learning epoch». Вместе они формируют уникальный семантический отпечаток (fingerprint).

Цитировать