A neural implementation of canonical correlation analysis
A neural implementation of canonical correlation analysis
复制标题
DOI：
10.1016/s0893-6080(99)00075-1
复制
发表时间：
1999-12
期刊：
影响因子：
--
通讯作者：
P. L. Lai;C. Fyfe
中科院分区：
文献类型：
--
作者：
P. L. Lai;C. Fyfe
本文提出了一种用人工神经网络进行典型相关分析的新方法。我们展示了人工数据的网络的能力，然后比较其有效性与标准的统计方法对真实的数据。我们证明了网络的能力，在两种情况下，标准的统计技术是无效的：我们有相关性延伸超过三个数据集，其中最大的非线性相关性大于任何线性相关性。该网络也适用于贝克尔（网络：计算神经系统，1996年，7：7-31）的随机点立体图数据，并显示在检测移位信息是非常有效的。
We derive a new method of performing Canonical Correlation Analysis with Artificial Neural Networks. We demonstrate the network's capabilities on artificial data and then compare its effectiveness with that of a standard statistical method on real data. We demonstrate the capabilities of the network in two situations where standard statistical techniques are not effective: where we have correlations stretching over three data sets and where the maximum nonlinear correlation is greater than any linear correlation. The network is also applied to Becker's (Network: Computation in Neural Systems, 1996, 7:7–31) random dot stereogram data and shown to be extremely effective at detecting shift information.