مطابقة متعامدة#

استخدام مطابقة متعامدة لاستعادة إشارة متفرقة من قياس مشوش مشفر بقاموس

استعادة الإشارة المتفرقة باستخدام مطابقة متعامدة, الإشارة المتفرقة, إعادة بناء الإشارة من القياسات الخالية من الضوضاء, إعادة بناء الإشارة من القياسات المشوشة, إعادة بناء الإشارة من القياسات المشوشة مع CV
# المؤلفون: مطوري سكايلرن
# معرف الترخيص: BSD-3-Clause

import matplotlib.pyplot as plt
import numpy as np

from sklearn.datasets import make_sparse_coded_signal
from sklearn.linear_model import OrthogonalMatchingPursuit, OrthogonalMatchingPursuitCV

n_components, n_features = 512, 100
n_nonzero_coefs = 17

# توليد البيانات

# y = Xw
# |x|_0 = n_nonzero_coefs

y, X, w = make_sparse_coded_signal(
    n_samples=1,
    n_components=n_components,
    n_features=n_features,
    n_nonzero_coefs=n_nonzero_coefs,
    random_state=0,
)
X = X.T

(idx,) = w.nonzero()

# تشويه الإشارة النظيفة
y_noisy = y + 0.05 * np.random.randn(len(y))

# رسم الإشارة المتفرقة
plt.figure(figsize=(7, 7))
plt.subplot(4, 1, 1)
plt.xlim(0, 512)
plt.title("الإشارة المتفرقة")
plt.stem(idx, w[idx])

# رسم إعادة البناء الخالي من الضوضاء
omp = OrthogonalMatchingPursuit(n_nonzero_coefs=n_nonzero_coefs)
omp.fit(X, y)
coef = omp.coef_
(idx_r,) = coef.nonzero()
plt.subplot(4, 1, 2)
plt.xlim(0, 512)
plt.title("إعادة بناء الإشارة من القياسات الخالية من الضوضاء")
plt.stem(idx_r, coef[idx_r])

# رسم إعادة البناء المشوش
omp.fit(X, y_noisy)
coef = omp.coef_
(idx_r,) = coef.nonzero()
plt.subplot(4, 1, 3)
plt.xlim(0, 512)
plt.title("إعادة بناء الإشارة من القياسات المشوشة")
plt.stem(idx_r, coef[idx_r])

# رسم إعادة البناء المشوش مع عدد غير الصفري المحدد بواسطة CV
omp_cv = OrthogonalMatchingPursuitCV()
omp_cv.fit(X, y_noisy)
coef = omp_cv.coef_
(idx_r,) = coef.nonzero()
plt.subplot(4, 1, 4)
plt.xlim(0, 512)
plt.title("إعادة بناء الإشارة من القياسات المشوشة مع CV")
plt.stem(idx_r, coef[idx_r])

plt.subplots_adjust(0.06, 0.04, 0.94, 0.90, 0.20, 0.38)
plt.suptitle("استعادة الإشارة المتفرقة باستخدام مطابقة متعامدة", fontsize=16)
plt.show()

Total running time of the script: (0 minutes 0.264 seconds)

Related examples

الاختيار المشترك للميزات باستخدام Lasso متعدد المهام

الاختيار المشترك للميزات باستخدام Lasso متعدد المهام

sphx_glr_auto_examples_cluster_plot_feature_agglomeration_vs_univariate_selection.py

# مقارنة بين تجميع الميزات والاختيار أحادي المتغير

رسم متعدد الفئات SGD على مجموعة بيانات الزهرة

رسم متعدد الفئات SGD على مجموعة بيانات الزهرة

مثال على كسر التعادل في SVM

مثال على كسر التعادل في SVM

Gallery generated by Sphinx-Gallery