Logo der Humboldt-Universität zu BerlinLogo der Humboldt-Universität zu Berlin
edoc-Server
Open-Access-Publikationsserver der Humboldt-Universität
de|en
Banner: Fassade der Humboldt-Universität zu Berlin
Publikation anzeigen 
  • edoc-Server Startseite
  • Qualifikationsarbeiten
  • Abschlussarbeiten
  • Publikation anzeigen
  • edoc-Server Startseite
  • Qualifikationsarbeiten
  • Abschlussarbeiten
  • Publikation anzeigen
JavaScript is disabled for your browser. Some features of this site may not work without it.
Gesamter edoc-ServerBereiche & SammlungenTitelAutorSchlagwortDiese SammlungTitelAutorSchlagwort
PublizierenEinloggenRegistrierenHilfe
StatistikNutzungsstatistik
Gesamter edoc-ServerBereiche & SammlungenTitelAutorSchlagwortDiese SammlungTitelAutorSchlagwort
PublizierenEinloggenRegistrierenHilfe
StatistikNutzungsstatistik
Publikation anzeigen 
  • edoc-Server Startseite
  • Qualifikationsarbeiten
  • Abschlussarbeiten
  • Publikation anzeigen
  • edoc-Server Startseite
  • Qualifikationsarbeiten
  • Abschlussarbeiten
  • Publikation anzeigen
2002-06-05Diplomarbeit DOI: 10.18452/14087
Nichtlineare Hauptkomponentenanalyse auf Basis neuronaler Netze
Scholz, Matthias
Mathematisch-Naturwissenschaftliche Fakultät II
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.
 
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.
 
Dateien zu dieser Publikation
Thumbnail
scholz.pdf — PDF — 2.224 Mb
MD5: 734a974e2cc9903872393c43192897b2
Zitieren
BibTeX
EndNote
RIS
InCopyright
Zur Langanzeige
DINI-Zertifikat 2019OpenAIRE validatedORCID Consortium
Impressum Leitlinien Kontakt Datenschutzerklärung
Ein Service der Universitätsbibliothek und des Computer- und Medienservice
© Humboldt-Universität zu Berlin
 
DOI
10.18452/14087
Permanent URL
https://doi.org/10.18452/14087
HTML
<a href="https://doi.org/10.18452/14087">https://doi.org/10.18452/14087</a>