کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6866355 678171 2014 45 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Random combination for information extraction in compressed sensing and sparse representation-based pattern recognition
ترجمه فارسی عنوان
ترکیبی تصادفی برای استخراج اطلاعات در حساس سازی فشرده و شناسایی الگوی مبتنی بر نشانگر ضعیف
کلمات کلیدی
ترکیب تصادفی، انتخاب تصادفی، سنجش فشرده، تشخیص الگو، استخراج اطلاعات،
ترجمه چکیده
در سنجش فشرده و به رسمیت شناختن الگوهای مبتنی بر نمایه پراکنده، طرح تصادفی با ماتریس تبدیل تصادفی متراکم به طور گسترده ای برای استخراج اطلاعات استفاده می شود. با این حال، ساختار پیچیده، ماتریس های تصادفی متراکم را به صورت محسوسی گرانقیمت و سخت در پیاده سازی سخت افزار می کند. این مقاله ساده سازی روش پیش بینی تصادفی را در نظر می گیرد. اولا، ما یک روش تصادفی ساده، ترکیبی تصادفی برای استخراج اطلاعات برای رسیدگی به مسائل روش های تصادفی متراکم پیشنهاد می دهیم. تجزیه و تحلیل نظری و نتایج تجربی نشان می دهد که می تواند کارایی قابل مقایسه ای را با روش های تصادفی متراکم ارائه دهد. دوم، یکی دیگر از روش های تصادفی ساده، انتخاب تصادفی را تجزیه و تحلیل می کنیم و فرصت های مناسب خود را ارائه می دهیم. تجزیه و تحلیل تطبیقی ​​و نتایج تجربی نشان می دهد که آن را به خوبی در موارد متراکم خوب کار می کند، اما بدتر در موارد نادر است. سوم، ما یک روش عملی برای اندازه گیری اثربخشی ماتریس تبدیل ویژگی را در تشخیص الگو مبتنی بر نمایندگی کمی ارائه می دهیم. یک ماتریس که رضایت بخش مؤلفه ایزومتری محدود باقی مانده نمایندگی می تواند نتایج خوبی به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ترکیبی تصادفی برای استخراج اطلاعات در حساس سازی فشرده و شناسایی الگوی مبتنی بر نشانگر ضعیف
چکیده انگلیسی
In compressed sensing and sparse representation-based pattern recognition, random projection with a dense random transform matrix is widely used for information extraction. However, the complicated structure makes dense random matrices computationally expensive and difficult in hardware implementation. This paper considers the simplification of the random projection method. First, we propose a simple random method, random combination, for information extraction to address the issues of dense random methods. The theoretical analysis and the experimental results show that it can provide comparable performance to those of dense random methods. Second, we analyze another simple random method, random choosing, and give its applicable occasions. The comparative analysis and the experimental results show that it works well in dense cases but worse in sparse cases. Third, we propose a practical method for measuring the effectiveness of the feature transform matrix in sparse representation-based pattern recognition. A matrix satisfying the Representation Residual Restricted Isometry Property can provide good recognition results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 145, 5 December 2014, Pages 160-173
نویسندگان
, , , , ,