function Selected_Data_Index = BPLSH(Data,M,L,W) %----------Data Reduction----------% %Normalizing the data between 0 and 1 maximum = max(Data(:,1:end-1)); %找出Data第一列到倒数第二列,每一列元素的最大值 minimum = min(Data(:,1:end-1)); maxmin = maximum-minimum; maxmin(maxmin==0) = 1; Data(:,1:end-1) = (Data(:,1:end-1) - minimum)./maxmin; % ./ 一一对应相除 %将Data 第一列 到 倒数第二列所有行的元素赋值 Dimension = size(Data(:,1:end-1),2); % Number of features M; % Number of hash functions in each table L; % Number of hash tables W; % Bucket size %s = rng; %Reset Random Number Generator 重置随机数生成器 a = normrnd(0,1, [M*L , Dimension]); %生成M*L?Dimension的随机矩阵,每个元素都是从均值为0,标准差为1的正态分布中随机生成 %# Generate a in floor((ax+b)/W) b = W.*rand(M*L,1); % Generate b in floor((ax+b)/W) %生成M*L行1列伪随机数 % Calculating the buckets of samples % disp('Bucket Assigning'); Bucket_Index_Decimal_All = int32(zeros(L,size(Data(:,1:end-1),1))); 解释一下
时间: 2024-03-07 07:53:14 浏览: 64
YOLOv3-训练-修剪.zip
该函数的功能是进行数据降维,使用了基于局部敏感哈希(BPLSH)的方法。
下面是对函数中代码的解释:
1. 对数据进行归一化,将所有特征值缩放到0和1之间。
2. 定义了三个参数:M表示每个哈希表中的哈希函数数量,L表示哈希表数量,W表示哈希桶大小。
3. 生成随机数矩阵a和b,用于哈希函数的计算。其中a是一个M*L行,每行包含Dimension个元素的矩阵,每个元素都是从均值为0,标准差为1的正态分布中随机生成的。b是一个M*L行,每行只有一个元素,这个元素是从0到W之间的随机整数。
4. 计算数据样本的哈希桶索引。对于每个样本,使用M个哈希函数将其映射到M个哈希桶中,并将这M个哈希桶的索引值连接起来作为该样本在一个哈希表中的索引。最终得到一个L行,每行包含所有样本在该哈希表中的索引值的向量。这个向量中的每个元素是一个十进制整数,表示样本在对应哈希桶中的索引。
5. 将所有样本在L个哈希表中的哈希桶索引值合并,得到一个L*实例数的矩阵Bucket_Index_Decimal_All。其中每一列是一个实例在L个哈希表中的哈希桶索引值。
6. 返回Bucket_Index_Decimal_All。
阅读全文