1) principal component analysis
主元分析
1.
Application of improved principal component analysis method to mould process monitoring in continuous casting;
改进的主元分析法在连铸结晶器过程监测中的应用
2.
The application of principal component analysis on sEMG signals analysis during slips;
主元分析在研究滑倒时肌电信号中的应用
3.
A method for truss structural damage detection based on principal component analysis;
基于主元分析的网架结构损伤识别方法
2) PCA
主元分析
1.
Gross Error Detection and Proofreading Concentration Based on PCA In the Measurement of Pulverized-Coal Concentration;
基于主元分析(PCA)的显著误差检测与校正及应用
2.
Fault Diagnosis of Power Electronic Circuits Based on Wavelet Multi-resolution Analysis and PCA;
基于小波多分辨率分析和主元分析的电力电子电路故障诊断
3.
The Multivariate Statistical Theory Based on PCA Analysis Applied in Process Monitoring;
基于主元分析的多变量统计理论在过程监控中的应用
3) Principal component analysis(PCA)
主元分析
1.
Traditional principal component analysis(PCA) based methods have been proved to be unreliable when applied to nonlinear process monitoring and false alarms might occur.
基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象。
2.
The authors present a new method to remedy the negative effect arising from slant vehicle license plate s character segmentation and recognition based on principal component analysis(PCA).
为解决机动车牌图像倾斜将对其字符分割与识别带来不利的影响,提出一种基于主元分析(PCA)的车牌图像倾斜校正新方法。
3.
A new method based on combined principal component analysis(PCA)with support vector machine(SVM)techniques was presented after limitation of control chart-recognizer using in practice was analyzed.
该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。
4) Principle component analysis
主元分析
1.
Diagnosis for Sensor Faults Based on Principle Component Analysis;
基于主元分析的传感器故障诊断
2.
The principle component analysis (PCA) technique is applied to preprocessing high dimensional input variable so that the dimension of input variable is decreased, and an estimator model based on PCAFRBFN is constructed.
研究以模糊聚类和径向基函数网络结合的模糊径向基函数网络ＦＲＢＦＮ，并用主元分析对高维输入变量进 行预处理，降低了模型的输入变量维数，进而构造基于ＰＣＡ－ＦＲＢＦＮ的估计模型。
3.
In this paper,the principle component analysis(PCA) theory is introduced,and the theory is used for fault diagnosis of lock of actuator.
文中介绍了主元分析算法以及在故障检测方面的应用。
5) principal components analysis
主元分析
1.
The paper use PCA(principal components analysis)algorithm for ball bearing data preprocessing which degrades data dimension and extract feature data.
本文使用PCA(主元分析)算法对滚动轴承振动信号数据进行预处理,这可降低数据维数和提取数据特征信息;将预处理后数据作为SVM(支持向量机)算法的输入,通过SVM算法来检测轴承故障。
2.
The face recognition with the principal components analysis based on classification of face orientation shows the accuracy of face recognition is increased.
在人脸朝向的分类基础上,用主元分析法进行人脸识别。
3.
A new algorithm is proposed incorporating wavelet transformation with principal components analysis techniques in surppressing prediction horizons and control horizons of DMC controllers, which results in lower matrix dimensions and better matrix conditions.
提出用小波变换和主元分析相结合的方法来压缩预测时域及控制时域，在保证算法鲁棒控制性能的前提下降低动态矩阵维数并改善矩阵病态性，从而使动态矩阵控制算法的计算效率大大提高。
6) principal component analysis (PCA)
主元分析
1.
Finally, in order to ensure the real-time requirement, an integrated method based on principal component analysis (PCA) combined with LS-SVM is proposed.
该方法先利用小波去噪方法对过程数据进行预处理,并利用PCA主元分析方法来实现过程监控,当监测到有故障发生时,再通过LS-SVM方法实现故障类型识别。
2.
One is multivariate quality characteristic diagnosis control based on principal component analysis (PCA), the other is multivariate quality characteristic diagnosis control based on converse variable separation.
围绕多元质量特性诊断控制方法,本文主要进行了以下研究:首先,在总结文献资料工作的基础上,系统归纳了质量诊断和多元质量控制的基础理论,并对几种常用多元质量特性诊断方法的特点以及各自的优劣进行了详细的比较分析,在此基础上讨论了两种多元质量特性诊断控制方法,即基于主元分析方法的多元质量特性诊断控制方法和基于逆向变量分离的多元质量特性诊断控制方法。
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条