MVEX01-20-08 Principal component analysis (PCA) för bildbehandling och objektorientering

​Principal component analysis (PCA) är en maskininlärningsteknik som används allmänt för datakomprimering i bildbehandling (data visualisering) eller vid bestämning av objektorientering. PCA-problem är nära besläktade med problemet inom numerisk linjär algebra (NLA) att hitta egenvärden och egenvektorer för kovariansmatriser. Vi kommer att studera tillämpningen av olika metoder för lösning av icke-symmetriska egenvärdesproblem (omvänd iteration med skift, ortogonal iteration, QR iteration och QR-iteration med skift) för PCA-problem.

Målet med detta projekt är numeriska studier av olika metoder för lösning av icke-symmetriska egenvärdesproblem tillämpade för PCA i bildkomprimering och objektrotation.
Observera att alla Matlab-program för lösning av icke-symmetriska egenvärdesproblem (omvänd iteration med skift, ortogonal iteration, QR iteration och QR-iteration med shift) är gratis att ladda ner från GitHub-länken


I detta projekt kommer vi att studera tillämpningen av dessa program för PCA. 
Vi kommer att upptäcka konvergens för alla dessa algoritmer och jämföra deras prestanda med avseende på användbarhet, tillförlitlighet, noggrannhet och effektivitet. Program skrivna i Matlab kommer att demonstrera
prestanda för varje algoritm. 
Projektbok: C. M. Bishop,  Pattern recognition and machine learning.

Projektkod MVEX01-20-08
Gruppstorlek 3-4 studenter
Målgrupp GU- och Chalmersstudenter. För GU-studenter räknas projektet som ett projekt i Tillämpad matematik (MMG900/MMG920).
Projektspecifika förkunskapskrav
Se respektive kursplan för allmänna förkunskapskrav. Utöver de allmänna förkunskapskraven i MVEX01 ska Chalmersstudenter ha avklarat kurser i en- och flervariabelanalys, linjär algebra och matematisk statistik.
Handledare Larisa Beilina, 031-7725367, larisa.beilina@chalmers.se
Examinator Maria Roginskaya, Ulla Dinger
Institution Matematiska vetenskaper 

Publicerad: on 23 okt 2019.