MATLAB图自编码器

通过MATLAB来实现图自编码器,用于高光谱图像特征的提取。

文章目录

  • 前言
  • 一、MATLAB相关知识
  • 二、编写算法
    • 1.图自编码器搭建
    • 2.可视化相关参数
  • 总结


前言

算法输入数据:

  • 图节点属性矩阵;
  • 邻接矩阵;
  • 概率p;

W为自编码器的隐藏表示,即训练参数矩阵,Z为输入数据的重构表示。


算法伪代码:
在这里插入图片描述

一、MATLAB相关知识

1.1 创建单位矩阵

IN_NN = eye(5,5),主对角线元素为1;

I = eye(5,5)

1.2 计算图的度矩阵D
采用sum函数,可以按行求和也可以按列求和;

  • sum(A,1):对矩阵A按照列求和;
  • sum(A,2):对矩阵A按照行求和;
N = 5
% A为邻接矩阵A = [1,2,3,4,5;2,3,4,5,6;3,4,5,6,7;4,5,6,7,8;5,6,7,8,9]% 将A转化为对称矩阵,即邻接矩阵I = eye(N,N)A(I == 1) = 0D = zeros(N,N)% D为度矩阵D(I == 1) = sum(A)

1.3 对称归一化拉普拉斯矩阵 L = I - D−1/2^{- 1 / 2}1/2AD−1/2^{- 1 / 2}1/2

  • 点乘(.*):两矩阵对应位置的元素相乘;
  • 矩阵乘法(*) : 遵循矩阵运算法则;
  • 矩阵乘以一个数值时,两种乘法不区分,效果一样;

1.3 矩阵元素指数运算

% 对矩阵S的每个元素进行指数运算,即相同矩阵的点乘
S^2

1.4 计算矩阵的特征向量和特征值
采用eig()函数计算矩阵的特征向量和特征值;

[x,y] = eig(A)
  • x矩阵为特征向量矩阵,每一列为一个特征向量;
  • y矩阵主对角线元素为特征值;

采用diag()函数获取对角线元素。

diag(y)

1.5 MATLAB函数定义

定义一个函数,以下是简单的规则:

  • 函数代码块以 function关键词开头,后接输出变量函数标识符名称圆括号 ()
  • 任何传入参数和自变量必须放在圆括号中间,圆括号之间可以用于定义参数。
  • 函数的第一行语句可以选择性地使用文档字符串—用于存放函数说明。
  • 函数内容以end结束

函数需要定义在脚本文件(*.m)中运行,不可以在命令窗口中临时创建。

有多个返回值时,默认返回第一个值,若想获取其他值,可以使用 ~过滤不需要的值;

function output = AddFunc(a,b)output = a + b;
end

二、编写算法

1.图自编码器搭建

使用MATLAB内置的函数搭建一个自编码器。

1.1 matlab 对数据集的默认按列存储,因此数据的存储方式为X∈Rd×N^{d×N}d×N ,其中d为特征向量的长度,x为样本数量;

1.2 可以采用 trainAutoencoder() 函数或者 train_autoencoder() 来搭建自编码器。

  • 通过trainAutoencoder()函数来搭建自编码器,通过predict()函数来预测,对于自编码器来说就是重构X;
ae = trainAutoencoder(X);
X_ = predict(ae, X);
% 损失函数
mse_loss = mse(X-X_);

1.3 对于高光谱图像,对数据进行预处理;

load('SalinasA_gt.mat')
load('SalinasA_corrected.mat')
[width,height,band] = size(salinasA_corrected);
X = reshape(salinasA_corrected,width * height ,band);
X_ = X'; 
plot(X(1,:));
hold on;
plot(X_(:,1));
hold off;

1.4 trainAutoencoder函数相关参数设置

  • 第一个参数 X:训练数据;

  • 第二个参数 size:隐含层神经元数量;

  • 键值对参数

    • ”EncoderTransferFunction” :“logsig”,为编码器传递函数;
    • “MaxEpochs” : 100,最大训练次数;
    • “LossFunction” :“msesparse”,为均方差损失函数 (默认)
    • “ShowProgressWindow” : false, 显示训练窗口,默认为显示;
  • 输出为一个编码器模型;

参数设置:https://www.mathworks.com/help/deeplearning/ref/trainautoencoder.html

1.5 采用drtoolbox工具箱中的函数train_autoencoder来训练一个简单的自编码器,用于数据降维。drtoolbox是一个用于数据降维的工具箱,包含很多数据降维的方法。
drtoolbox:https://blog.csdn.net/uncle_ll/article/details/60465797

train_autoencoder函数介绍:
[network, mappedX, reconX] = train_autoencoder(X, layers, noise, max_iter)

  • X:输入数据,每行为一个样本,每列为一个特征;
  • layers:降维后特征数;
  • noise:噪声,默认为0;
  • mat_iter:迭代次数;

输出参数:

  • network:包含降维的权重矩阵和重构的矩阵;
  • mappedX:降维后的数据;
  • reconX:重构的X;

2.可视化相关参数

2.1 可视化矩阵可以使用 imagesc() 函数;


总结

搭建的自编码都是一层隐藏层的简单神经网络,主要是学习使用相关函数的用法以及涉及到的相关的知识。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/484073.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

考夫曼:破解大脑代码并创建真正的人工智能

来源:CSDN博主「CDA数据分析师」原文链接:https://blog.csdn.net/yoggieCDA/article/details/1045567421955年,计算机科学家约翰麦卡锡(John McCarthy)首次创造了“人工智能”一词。当时,人工智能是对可以表…

MATLAB高光谱图像构建KNN图

在高光谱图像的特征提取过程中,采用非线性降维的方式对高光谱图像降维的过程中,采用图自编码器来对数据进行降维,需要将利用高光谱图像的结构信息和内容信息,则需要将高光谱图像数据构造为一个图结构,图结构的构建需要…

类脑量子叠加脉冲神经网络:从量子大脑假说到更好的人工智能

来源:神经现实作者:曾毅研究团队 |封面:Mario De Meyer排版:光影以深度神经网络为代表的现代人工智能模型在识别图像、语音、文字等模式信息任务取得优异表现。然而,生物大脑具有处理复杂多变的环境信息的能力&#xf…

遥感图像分类原理

1.原理 1.1 每一个像元作为一个样本,波段作为特征,理想情况下,同类地物应该具有相同或相似的特征描述,因此像元在n维特征空间中聚集在一起,而不同地物应该具有不同的特征描述,因此不同特征地物像元在n维空间…

2019第一次作业

10.实验代码 include <stdio.h> int main(void) { int i, f, X, N; scanf("%d",&N); int a [N]; scanf("%d",&X); f0; for(i0;i<N;i){ scanf("%d",&a[i]); if(a[i]X){ printf("%d",i); f; } } if(f0){ printf(&q…

分布式——ACID原则 CAP理论

分布式计算的原理 分布式计算就是将计算任务分摊到大量的计算节点上&#xff0c;一 起完成海量的计算任务。而分布式计算的原理和并行计算 类似&#xff0c;就是将一个复杂庞大的计算任务适当划分为一个个 小任务&#xff0c;任务并行执行&#xff0c;只不过分布式计算会将这些…

Matlab高光谱样本相关性分析

一.高光谱图像数据分析 1.分析光谱波段的相关性 1.1 对于维度为(m,n,b)的高光谱数据&#xff0c;使用reshape函数将其变换为(N,b)维度的&#xff0c;其中N m x n&#xff0c;表示像素数量&#xff0c;b表示波段数。 1.2 分析样本(像素)间波段的相关性&#xff0c;采用函数c…

万众瞩目的特斯拉AI日,会有哪些惊喜?

来源&#xff1a;华尔街见闻作者&#xff1a;方凌8月19日&#xff0c;特斯拉AI日即将举行。马斯克此前曾表示&#xff0c;此次AI日将展示特斯拉在人工智能方面硬件和软件开发的进展&#xff0c;并且招募顶级人才。活动的日子日渐临近&#xff0c;对于特斯拉究竟将在放出什么“大…

第一次会议(2019/02/22)

小组名称及成员介绍 小组名称&#xff1a;Triple兔成员介绍&#xff08;均为1703班&#xff09;项目经理&#xff1a;刘晓丽&#xff08;右上&#xff09;前端开发&#xff1a;刘晓丽&#xff08;右上&#xff09;、王亚群&#xff08;右下&#xff09;后端开发&#xff1a;乔疏…

JVM 工作原理和流程

作为一名Java使用者&#xff0c;掌握JVM的体系结构也是必须的。 说起Java&#xff0c;人们首先想到的是Java编程语言&#xff0c;然而事实上&#xff0c;Java是一种技术&#xff0c;它由四方面组成&#xff1a;Java编程语言、Java类文件格式、Java虚拟机和Java应用程序接口(Jav…

中国未来技术学院盘点

来源&#xff1a;科学网8月19日&#xff0c;上海交通大学未来技术学院正式揭牌成立。香港首富、宁德时代公司董事长曾毓群担任未来技术学院名誉院长&#xff0c;宁德时代首席制造官和工程制造及研发体系联席总裁倪军出任首任院长。一家市值超万亿的高科技龙头企业掌门人和高管&…

QT高级编程之QT基本概览

QT高级编程 主要从以下几个方面来介绍QT高级编程&#xff0c;并介绍QT相关的概念。 1、 QT部件Widget&#xff1b; 2、 QT信号与槽机制&#xff1b; 3、 对象树关系&#xff1b; 4、 布局管理&#xff1b; 5、标准对话框以及自定义对话框&#xff1b; 6、文件与目录&#xff…

计算机视觉中的自注意力

来源&#xff1a;机器学习研究组订阅自从引入网络以来&#xff0c;深度学习中的注意力机制在机器翻译和 社区中广受欢迎。然而&#xff0c;在计算机视觉中&#xff0c;卷积神经网络 (CNN) 仍然是常态&#xff0c;自注意力才刚刚开始慢慢渗透到研究的主体中&#xff0c;要么补充…

QT信号与槽-启动系统程序以及相关控件介绍

1.1 创建一个继承至QWidget的项目。 1.2 设计界面,分析界面采用的布局方式。 首先&#xff0c;每行控件采用水平布局方式&#xff0c;第三行为了使控件靠右&#xff0c;前面添加一个占位控件。三行采用垂直平局&#xff1b;选中控件&#xff0c;通过右键可以控件的布局方式&a…

科技部向全社会征集颠覆性技术研发方向

来源&#xff1a;人民网据科技部网站消息&#xff0c;为提升我国重大科技创新方向前瞻布局能力&#xff0c;加快推动颠覆性技术创新&#xff0c;科技部办公厅拟面向各有关单位和广大科研人员&#xff0c;开展颠覆性技术研发方向建议征集工作&#xff0c;对于符合条件的建议&…

springboot前后端分离项目MultipartFile获取前端传的file为null问题

【问题描述】 springbootvue 前后端分离项目&#xff0c;在对接上传文件功能时&#xff0c;一直显示文件为空。 【分析】 查找了很多博客&#xff0c;解决方法五花八门&#xff0c;但原因应该还是 springboot自带的org.springframework.web.multipart.MultipartFile和Multi…

计算机网络( 二十二)-数据链路层(补充)

1.链路link&#xff1a;结点------>相邻结点的物理线路。 2.数据链路&#xff1a;物理线路通信协议,通信协议(通信规程)用来控制数据的传输。 3.最常用网络适配器(硬件、软件)来实现协议。适配器包括了数据链路层和物理层两层的功能。 4.数据链路层的协议数据单元PDU------帧…

《科学之路》| 图灵奖得主杨立昆人工智能十问:AI会统治人类吗?

来源&#xff1a;《科学之路》作者&#xff1a;杨立昆封面&#xff1a;Yukai Du即便是最先进的人工智能系统也存在局限性&#xff0c;它们还不如一只猫聪明。人工智能常常被认为是一项将要颠覆世界的技术&#xff0c;从这一概念诞生至今的65年中&#xff0c;无数电影与小说塑造…

计算机网络(二十三)-网络层-概述与数据交换方式

一.网络层的功能 主要任务是把分组从源端传送到目的端&#xff0c;为分组交换网上的不同主机提供通信服务。 网络层传输单位是数据报。功能 路由选择与分组转发&#xff0c;最佳路径。异构网络互联&#xff1b;拥塞控制&#xff1b; 若所有结点都来不及接收分组&#xff0c;网…

数字大脑学术沙龙:“城市大脑与应急管理专题研讨会”成功召开

来源&#xff1a;城市大脑全球标准研究组2021年以来城市大脑的建设与研究获得了长足发展&#xff0c;数百个城市开展了城市大脑的建设与规划&#xff0c;取得了诸多成果。于此同时&#xff0c;伴随着疫情、水灾、交通事故、环境事故的不断出现&#xff0c;城市大脑如何应对应急…