edoc-Server der Humboldt-Universität zu Berlin

Diplomarbeit

Autor(en): Matthias Scholz
Titel: Nichtlineare Hauptkomponentenanalyse auf Basis neuronaler Netze
Gutachter: Klaus-Robert Müller; Hans-Dieter Burkhard
Erscheinungsdatum: 05.06.2002
Volltext: pdf (urn:nbn:de:kobv:11-10086728)
Fachgebiet(e): Informatik
Schlagwörter (ger): nichtlineare PCA (NLPCA), Autoencoder, autoassoziatives neuronales Netz, Hauptkomponentenanalyse (PCA), Dimensionsreduktion
Schlagwörter (eng): nonlinear PCA (NLPCA), autoencoder, auto-associative neural network, principal component analysis (PCA), dimensionality deduction
Einrichtung: Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät II
Zitationshinweis: Scholz, Matthias: Nichtlineare Hauptkomponentenanalyse auf Basis neuronaler Netze; Diplomarbeit, Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät II , publiziert am 05.06.2002, urn:nbn:de:kobv:11-10086728
Metadatenexport: Um den gesamten Metadatensatz im Endnote- oder Bibtex-Format zu speichern, klicken Sie bitte auf den entsprechenden Link. Endnote   Bibtex  
print on demand: Wenn Sie auf dieses Icon klicken, können Sie ein Druckexemplar dieser Publikation bestellen.
Diese Seite taggen: Diese Icons führen auf so genannte Social-Bookmark-Systeme, auf denen Sie Lesezeichen anlegen, persönliche Tags vergeben und Lesezeichen anderer Nutzer ansehen können.
  • connotea
  • del.icio.us
  • Furl
  • RawSugar

Abstract (ger):
Die Hauptkomponentenanalyse (Principal Component Analysis, PCA) ist eine weit verbreitete und vielfältig anwendbare Methode der Dimensionsreduktion und der Merkmalsextraktion. Sie wird benutzt zur Komprimierung, zum Entrauschen von Daten oder allgemein als Vorverarbeitung bei Klassifikations-, Regressions- oder Quellentrennungsaufgaben. Die PCA ist auf die Erkennung linearer Strukturen in Datenräumen beschränkt. Daher gibt es verschiedene Ansätze, eine mächtigere Methode zur Merkmalsextraktion zu entwickeln, welche auch nichtlineare Strukturen erkennen kann. In dieser Arbeit wird eine nichtlineare PCA auf der Basis eines autoassoziativen neuronalen Netzes untersucht - dem Autoencoder. Es werden die Möglichkeiten, aber auch die Grenzen dieser Netzarchitektur aufgezeigt. Darauf aufbauend wird eine nichtlineare PCA konstruiert, deren nichtlineare Komponenten hierarchisch geordnet sind, vergleichbar mit der Ordnung der linearen Komponenten der klassischen PCA. Anschließend wird diese nichtlineare PCA mit anderen Methoden der nichtlinearen Merkmalsextraktion anhand verschiedener Datensätze aus unterschiedlichen Anwendungsgebieten verglichen.
Abstract (eng):
Nonlinear principal component analysis (NLPCA) is known as a nonlinear generalization of the standard principal component analysis (PCA). Since nonlinear PCA is a non-unique concept, it is discussed, how nonlinear PCA can be defined as a nonlinear feature extraction technique most similar to linear PCA. The nonlinear reduction of a data set from its original dimension to the intrinsic dimension of the data is one aspect, but we also request that the nonlinear features spanning this intrinsic data space are hierarchically arranged similar to the linear features of PCA. Thus, such nonlinear PCA is a powerful pre-processing step. It can be used as nonlinear sphering (whitening) or it can be considered as a smoothing method which removes nonlinear correlations between variables. Nonlinear PCA can be performed by minimizing a hierarchical error function. This error function is applied to the autoencoder which is a multi-layer perceptron used in auto-associative mode to perform the identity mapping.
Zugriffsstatistik: Die Daten für die Zugriffsstatistik der einzelnen Dokumente wurden aus den durch AWStats aggregierten Webserver-Logs erstellt. Sie beziehen sich auf den monatlichen Zugriff auf den Volltext sowie auf die Startseite. Die Zugriffsstatistik wird nicht standardisiert erfasst und kann maschinelle Zugriffe enthalten.
 
Bei Formatversionen eines Dokuments, die aus mehreren Dateien bestehen (insbesondere HTML), wird jeweils der monatlich höchste Zugriffswert auf eine der Dateien (Kapitel) des Dokuments angezeigt.
 
Um die detaillierten Zugriffszahlen zu sehen, fahren Sie bitte mit dem Mauszeiger über die einzelnen Balken des Diagramms.
Startseite: 6 Zugriffe PDF: 9 Zugriffe Startseite: 5 Zugriffe PDF: 18 Zugriffe Startseite: 5 Zugriffe PDF: 10 Zugriffe Startseite: 22 Zugriffe PDF: 11 Zugriffe Startseite: 23 Zugriffe PDF: 23 Zugriffe Startseite: 22 Zugriffe PDF: 21 Zugriffe Startseite: 20 Zugriffe PDF: 16 Zugriffe Startseite: 22 Zugriffe PDF: 28 Zugriffe Startseite: 38 Zugriffe PDF: 32 Zugriffe Startseite: 27 Zugriffe PDF: 29 Zugriffe Startseite: 18 Zugriffe PDF: 23 Zugriffe Startseite: 13 Zugriffe PDF: 34 Zugriffe Startseite: 17 Zugriffe PDF: 13 Zugriffe Startseite: 20 Zugriffe PDF: 23 Zugriffe Startseite: 42 Zugriffe PDF: 23 Zugriffe Startseite: 26 Zugriffe PDF: 29 Zugriffe Startseite: 27 Zugriffe PDF: 40 Zugriffe Startseite: 32 Zugriffe PDF: 55 Zugriffe Startseite: 27 Zugriffe PDF: 55 Zugriffe Startseite: 38 Zugriffe PDF: 34 Zugriffe Startseite: 34 Zugriffe PDF: 38 Zugriffe Startseite: 28 Zugriffe PDF: 55 Zugriffe Startseite: 15 Zugriffe PDF: 34 Zugriffe Startseite: 21 Zugriffe PDF: 27 Zugriffe Startseite: 26 Zugriffe PDF: 57 Zugriffe Startseite: 29 Zugriffe PDF: 30 Zugriffe Startseite: 31 Zugriffe PDF: 55 Zugriffe Startseite: 32 Zugriffe PDF: 46 Zugriffe Startseite: 31 Zugriffe PDF: 58 Zugriffe Startseite: 23 Zugriffe PDF: 34 Zugriffe Startseite: 43 Zugriffe PDF: 46 Zugriffe Startseite: 41 Zugriffe PDF: 64 Zugriffe Startseite: 31 Zugriffe PDF: 54 Zugriffe
Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Jan
12
Feb
12
Apr
12
May
12
Jun
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Monat Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Jan
12
Feb
12
Apr
12
May
12
Jun
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Startseite 6 5 5 22 23 22 20 22 38 27 18 13 17 20 42 26 27 32 27 38 34 28 15 21 26 29 31 32 31 23 43 41 31
PDF 9 18 10 11 23 21 16 28 32 29 23 34 13 23 23 29 40 55 55 34 38 55 34 27 57 30 55 46 58 34 46 64 54

Gesamtzahl der Zugriffe seit Jul 2011:

  • Startseite – 835 (25.3 pro Monat)
  • PDF – 1124 (34.06 pro Monat)
 
 
Generiert am 29.07.2014, 14:58:47