平均值转移

平均值转移是一种非参数特征空间的数学分析技术，用于定位密度函数的xxx值，是一种所谓的模式搜索算法。应用范围包括计算机视觉和图像处理中的聚类分析。

平均转移程序通常归功于Fukunaga和Hostetler在1975年的工作。然而，它也让人想起Schnell在1964年的早期工作。

平均值移动是一个程序，用于定位密度函数的xxx值，即从该函数采样的离散数据的模式。这是一种迭代方法，我们从一个初始估计值开始是给定的。这个函数决定了用于重新估计平均值的附近点的权重。通常使用的是与当前估计值的距离的高斯核。{displaystylexleftarrowm(x)}，并重复估算，直到达到平均数。，并重复进行估计，直到尽管均值转换算法在许多应用中被广泛使用，但在高维空间中使用一般内核的算法的收敛性的刚性证明仍然是未知的。AliyariGhassabeh证明了均值转换算法在一维空间中的收敛性，该算法具有可分的、凸的和严格减少的轮廓函数。然而，一维的情况在现实世界中的应用有限。此外，该算法在更高维度上的收敛性，以及有限数量的静止（或孤立）点已经被证明。然而，还没有提供一般核函数具有有限静止（或孤立）点的充分条件。高斯平均移动是一种期望值最大化算法。

让数据是一个有限的集合同时进行。那么，xxx个问题是如何估计给定稀疏样本集的密度函数。最简单的方法之一是对数据进行平滑处理，例如，用一个固定宽度的核对其进行卷积处理是该算法中xxx的参数，被称为带宽。

这种方法被称为核密度估计或Parzen窗口技术。一旦我们计算出{displaystylef(x)}，我们就可以从上式中计算出f(x)后，我们可以用梯度上升法或其他优化技术找到它的局部xxx值。这种蛮力方法的问题是，对于更高的维度，评估f(x)的计算量变得非常大。{displaystylef(x)}在完整的搜索空间上进行评估。在完整的搜索空间上进行评估。取而代之的是，平均转移使用了优化文献中已知的多重重启梯度下降的变体。从对局部xxx值的某种猜测开始。