مدل سازی پراکنده سلسله مراتب اشتراکی

چکیده

مدل سازی انعطاف پذیر یک چارچوب قدرتمند برای تجزیه و تحلیل داده ها و پردازش داده ها است. به طور سنتی،نامیده می شود. Lasso معمولا ،L- کدگذاری در این چارچوب با حل یک مشکل رگرسیون خطی حلقوی 1Lasso را در سطح ویژگی فردی با خصوصیات انعکاسی بلوک مدل گروه Lasso در این کار ما ابتدا خواص القا کننده مدل ترکیب می کنیم، جایی که گروه های پراکنده از ویژگی ها به صورت مشترک کدگذاری می شوند و یک الگوریتم اسپارسیتی را که سلسله مراتبی ساختار یافته را به دست می اورد.
است که نشان می دهد مزایای مدل سازی عملی مهم است. سپس این رویکرد را به مورد Lasso این نتیجه در سلسله مراتبیمشارکتی گسترش می دهیم، جایی که مجموعه ای از سیگنال های به طور همزمان کدگذاری یک الگوی اسپارسیتی(ریزش) مشابه در سطح بالاتر (گروهی) دارند، اما نه لزوما در پایین تر. سپس سیگنال ها گروه های فعال یا گروه ها را به اشتراک می گذارند اما لزوما همان مجموعه فعال نیستند. این برای برنامه های کاربردی مانند جداسازی منبع بسیار مناسب است. یک روش بهینه سازی کارآمد، که همگرایی را به بهینه ی جهانی تضمین می کند، برای این مدل های جدید طراحی شده است. ارائه پایه چارچوب جدید و رویکرد بهینه سازی با نمونه های تجربی و نتایج نظری اولیه تکمیل می شود.