自监督学习子空间模式识别方法的统计特性分析

黄德双

您当前的位置：

首页 >

文章列表页 >

自监督学习子空间模式识别方法的统计特性分析

更新时间：2025-12-08

- 自监督学习子空间模式识别方法的统计特性分析
- An Analysis of the Statistical Properties on the Self-Supervised Learning Subspaces for Pattern Recognition
- 电子学报 1995年第9期
- 作者机构：
  
  北京理工大学
- 作者简介：
- 基金信息：
  
  国家自然科学基金,高校博士点基金
- DOI：
  中图分类号： TP18
- 纸质出版：1995
- 稿件说明：
移动端阅览
[1]黄德双.自监督学习子空间模式识别方法的统计特性分析[J].电子学报,1995(09):99-102.

Huang Dushuang. An Analysis of the Statistical Properties on the Self-Supervised Learning Subspaces for Pattern Recognition[J]. Acta Electronica Sinica, 1995, (9).
[1]黄德双.自监督学习子空间模式识别方法的统计特性分析[J].电子学报,1995(09):99-102. DOI：

Huang Dushuang. An Analysis of the Statistical Properties on the Self-Supervised Learning Subspaces for Pattern Recognition[J]. Acta Electronica Sinica, 1995, (9). DOI：

摘要

本文研究了神经网络无导师自监督学习子空间模式识别方法的收敛性问题，证明了学习子空间法的变换矩阵收敛于模式的自相关矩阵估计；证明了一类Ｋｏｈｏｎｅｎ自监督学习子空间方法的收敛性；给出了子空间旋转变化所引起的子空间特征谱分布的近似表达式，同时给出了子空间扰动的上界定理。

Abstract

The convergence of Learning Subspace Methods（LSM） for pattern recognition is studied. The transformed matrices of learning subspaces are proved to converge to the estimation of pattern autocorrelation matrix

thus the convergence of Kohonen’s self-supervised LSMs is proved. At the same time

the approximate expression of the eigen spectrum caused by LSM’s rotation and the upper bound disturbed theorem of Learning Subspace are presented.

关键词

Keywords

references

浏览量

151

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

三种新的学习子空间模式识别方法的研究

一种基于奇异值特征的神经网络人脸识别新途径

仿生模式识别(拓扑模式识别)——一种模式识别新模型的理论与应用

一种可识别样本中共同抽象特征的神经网络

基于同源的同类事物连通本性的模式分类神经网络模型