LabVIEW机器学习工具包 1. 介绍 机器学习的理念是模仿人类的学习过程，即通过经验获得知识。机器学习算法允许机器从经验数据中归纳规则，并根据学到的规则对未来数据进行预测。LabVIEW机器学习工具包（MLT）提供了多种机器学习算法，它是解决高维数据可视化、模式识别、函数回归和聚类识别等问题的有力工具。 2. 性能 机器学习工具包拥有下列性能： 2.1 无监督学习算法 无监督学习是指在未标记数据中揭示隐含结构的问题。由于数据未标记，算法中没有反馈给学习者的错误信号。这就区分了无监督学习和有监督学习。 聚类是无监督学习的主要方法之一。聚类意味着将类成员分配给一组对象，以便将相似的对象分配给同一类，而不同的对象被分配到不同的类中。每个类通常在各自的问题中表示有意义的模式。因此，聚类有助于识别数据中的不同模式。例如，在图像处理中，聚类可用于将数字图像划分为不同区域以进行边界检测或物体识别。 函数列表： k-均值 K-中心 k-中心点 模糊C均值聚类 高斯混合模型（GMM） 层次聚类 谱聚类算法 矢量量化（VQ） 自组织映射（SOM） 2.2 有监督学习算法 有监督学习是指输入数据与其相应输出（标签）之间关系（函数）的泛化。关系（函数）是通过一组训练实例学习的，每一个例子都是一对输入数据和一个期望输出。在训练过程中，实际输出和期望输出之间的误差经常反馈到系统中，根据一定的学习规则调整系统参数。训练结束后，学习关系（函数）的性能应在与训练集分开的测试集（实例）上进行评估。 有监督学习对模式识别、函数回归等都很有用。有监督的分类器可以用一个手写数字库进行训练，每个数字都有一个标签（它代表的是真实的数字）。经过对一个单独的测试集的验证，经过训练的分类器可用于对未来手写数字的快速和精确识别。 函数列表： K-近邻（K-NN） 反向传播（BP）神经网络 学习矢量量化（LVQ） 支持向量机（SVM） 2.3 降维算法 降维是指减少数据维数的过程。在减少空间中的数据集的投影通常需要保存某些重要的数据特征。在某些情况下，数据分析，例如聚类，可以在还原空间中比在原始空间中更容易并准确地完成。降维方法的一个主要应用是人脸识别，将大量像素表示的人脸图像在分类之前投影到一个更易于管理的低维特征空间。 函数列表： 等距特征映射（Isomap） 局部线性嵌入（LLE） 多维标度（MDS） 主成分分析（PCA） 核的主分量分析 线性判别分析（LDA） 2.4 验证和可视化工具 MLT提供验证和可视化工具来促进学习质量的监控。效用分为三类：聚类有效性指数、分类评价、学习结果可视化。每个类别中的函数列表如下所示。 聚类有效性指数 兰德指数 戴维斯- 堡丁（DB）指数 杰卡德指数 邓恩指数 分类评价： 分类精度 混淆矩阵 学习结果可视化 可视化（2D&3D） 可视函数（2D&3D） 3. 系统需求 Windows XP及后续系统 LabVIEW 2009及后续版本 4. 安装笔记 下载解压缩安装包，运行 Setup.exe 如果安装过程正运行时，重启LabVIEW 打开对话框，切换到 Addons >> Machine Learning |
Powered by Discuz! X3.2
© 2001-2013 Comsenz Inc.
组图打开中，请稍候......
收藏
