Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
26 Kern-PCA<br />
mit fest gewähltem m ≪ N, wodurch bei je<strong>der</strong> Projektion nur m Kernfunktionen<br />
ausgewertet werden müssen. Die Koeffizienten β i und die Vektoren z i<br />
werden durch die M<strong>in</strong>imierung des euklidischen Abstandes<br />
ρ = ‖v ′ − ṽ ′ ‖ (3.35)<br />
gewonnen. Dieser lässt sich auch wie<strong>der</strong> mit Hilfe <strong>der</strong> Kernfunktion ausschließlich<br />
durch Vektoren im E<strong>in</strong>gaberaum ausdrücken, denn es gilt<br />
ρ 2 = ‖v ′ ‖ 2 + ‖ṽ ′ ‖ 2 − 2<br />
N∑<br />
i=1<br />
m∑<br />
α i β j k(x i , z j ) . (3.36)<br />
In [4] wird für diese Lösung die Bezeichnung reduced set technique geprägt.<br />
Dort wird dasselbe Problem im Kontext <strong>der</strong> Supportvektor-Klassifizierer behandelt<br />
und e<strong>in</strong> gradientenbasierter Algorithmus zur M<strong>in</strong>imierung von ρ vorgeschlagen.<br />
j=1