eigenvector

    3热度

    2回答

    我正在使用eigenfaces来编写我正在写的面部识别程序。我有特征脸实际上是如何产生几个问题: 他们是否从很多不同的人,或者很多相同的人的图像的图像产生的? 这些人需要包括你想认识的人吗?如果不是,那么将如何进行任何类型的比较? 是否为您提供的每个图像确定一个特征脸,或者是否创建一个特征脸? 这是所有关于特征脸的生成或学习阶段。感谢您的帮助或指引我朝着正确的方向发展!

    5热度

    2回答

    基本上我试图找到矩阵的特征值,大约需要12个小时。当它结束时,它说它找不到所有的特征向量(实际上几乎没有),我对它找到的那些特征向量持怀疑态度。我所能做的只是发布我的代码,我希望有人能够向我提出一些建议。我对mathematica并不是很有经验,也许运行时间很慢,不好的结果与我有关,而不是mathematica的能力。感谢任何回复的人,我真的很感激。 cutoff = 500; (* set a

    14热度

    6回答

    我在R中使用princomp来执行PCA。我的数据矩阵很大(10K x 10K,每个值最多4个小数点)。在至强2.27 GHz处理器上,需要3.5小时〜6.5 GB的物理内存。 因为我只想要前两个组件,有没有更快的方法来做到这一点? 更新: 除了速度,是否有记忆有效的方式做到这一点? 使用svd(,2,)需要约2小时和〜6.3 GB的物理内存来计算前两个组件。

    3热度

    3回答

    排序特征值矩阵我在列向量形式n个特征值。因此,存在与这些特征值对应的N个特征向量,形成特征向量矩阵。现在 ,我的工作问题需要我的特征值列向量进行降序排列。我如何排列特征向量与特征值相同的顺序以保持对应?


    5热度

    3回答

    我正在尝试将2D高斯拟合成图像。噪声非常低,所以我的尝试是旋转图像,使两个主轴不会共变化,找出最大值并只计算两个维度的标准偏差。首选武器是python。 但是我被困在发现图像的特征向量 - numpy.linalg.py假设离散数据点。我想把这个图像作为一个概率分布,抽样几千个点,然后从这个分布中计算特征向量,但是我相信必须有一种方法来找到特征向量(即,半主 - 半 - 直接来自该图像的高斯椭圆的

    1热度

    1回答

    如果我有一个协方差矩阵,并且我想要执行相应相关矩阵的主成分分析,我应该首先对协方差矩阵进行中心平均化,然后进行标准化(除以标准偏差),或者先标准化协方差矩阵,然后将平均中心然后执行PCA?为什么?

    2热度

    3回答

    我已经用SVD计算 [U, S, V] = svd(A) 其中我用的最后一列是我零空间近似一直这样做。由于A变得非常大,我意识到这会减慢我的计算速度。 对于null(A),文档似乎暗示它无论如何都会执行SVD。另外,如果A满秩,则它不起作用。 SVD通过找到最大的奇异值,然后是下一个等等,而我只需要最小的一个。 这似乎是一个很大的瓶颈。真的很感谢这方面的帮助。 正在使用MATLAB。 谢谢。

    2热度

    2回答

    我想将广义特征值问题转换为正常特征值计算。 我有这样的代码: [V,D,flag] = eigs(A, T); 现在我把它转换成: A1 = inv(T)*A; [V1,D1,flag1] = eigs(A1); 我不应该得到相同的结果?从我的Matlab的文档中理解,第一个方程式来解决: A*V = B*V*D ,第二个解决: A*V = V*D 我这么想吗? 谢谢!

    0热度

    2回答

    我需要使用PCA显示图像特征向量矩阵的前10个特征脸。 我正在使用下面的matlab代码来创建第一个特征脸,但我变得非常黑暗,不太正确的特征脸。 eFea是240x4096一个矩阵,其中每一行代表64×64 newData = eFea'; data = newData; [M,N] = size(data); mn = mean(data,2); data = double(data)