1) kernel principal component analysis
核主分量分析
1.
Firstly,we extract global features using Kernel Principal Component Analysis(KPCA) technique and extract local features using Independent Component Analysis(ICA)technique.
首先利用核主分量分析技术提取数字图像的全局特征,然后利用独立分量分析技术提取数字图像的局部特征,分别选出部分局部特征向量与部分全局特征向量组合成数字的组合特征向量,然后利用支持向量机分类器进行识别。
2.
A novel kernel principal component analysis method based on wavelet feature is developed in the paper.
论文提出了基于小波特征的核主分量分析技术,即在进行非线性映射之前,首先利用小波变换对原始输入训练样本进行预处理,获取低频平滑、水平细节和垂直细节等三个子图的小波特征,然后在频域上,对它们分别进行核主分量分析(KPCA),对最终获得的3组特征向量设计了一种特征融合的方法。
3.
Kernel principal component analysis algorithm is a new statistic signal processing technique which can extract nonlinear features of images.
为了提高图像分类的识别率 ,在对基于核的学习算法中 ,核函数的构成条件以及不同核函数的特性进行分析和研究的基础上 ,提出了一种新的核函数——组合核函数 ,并将它应用于核主分量分析 (KPCA)中 ,以便进行图像特征的提取 ,由于新的核函数既可以提取全局特征 ,又可以提取局部特征 ,因此 ,可以提高 KPCA在图像特征提取中的性能。
2) KPCA
核主分量分析
1.
Target feature extraction and recognition for high-range recognition radar based on the KPCA method;
基于核主分量分析的高分辨雷达目标特征提取与识别
2.
In this paper,the principles of Primary Component Analysis(PCA) based noise-reduction and the powers of Kernel Primary Component Analysis(KPCA) for feature extraction are analyzed in detail.
针对距离像的这种姿态敏感性,首先分析了主分量分析(PCA)的降噪原理与核主分量分析(KPCA)的特征提取能力,然后提出先用PCA滤波对一维距离像降噪再用KPCA提取较大姿态角范围内稳定特征的雷达目标一维距离像识别框架,并用四类目标的实测数据进行分类实验,表明该算法确实能够提高识别性能。
3.
This paper isinvestigated the applying of the KPCA and KDDA met.
本文研究了核主分量分析和核直接判别分析在高分辨雷达目标特征提取与识别中的应用，并对四类目标进行了仿真实验。
4) Kernel principal component analysis(KPCA)
核主分量分析
1.
Then,kernel principal component analysis(KPCA) and support vector machines(SVMs) with optimal parameters are proposed to classify driving mental fatigue.
然后用核主分量分析(KPCA)和优化支持向量机(SVM)对基于脑电信号(EEG)的驾驶精神疲劳进行分级。
5) kernel principal component analysis
核主元分析
1.
Nonlinear process monitoring method based on multi-scale kernel principal component analysis;
基于多尺度核主元分析的非线性过程监控方法研究
2.
Fault diagnosis method based on immune kernel principal component analysis;
基于免疫核主元分析的故障诊断方法
3.
Monitoring model based on kernel principal component analysis and multiple support vector machines and its application
基于核主元分析与多支持向量机的监控诊断方法及其应用
6) KPCA
核主元分析
1.
Predicting the Free Calcium Oxide Content on the Basis of KPCA and Support Vector Machines;
基于核主元分析和支持向量机的f-CaO含量预测
2.
Firstly,basis spaces including the posed ear images and the frontal ear images are obtained using PCA or KPCA.
首先,利用主元分析和核主元分析方法得到姿态人耳图像和正侧面人耳图像的基空间,通过计算两种基空间之间的线性转换关系求出姿态转换矩阵,然后将待测的姿态人耳图像特征集利用基空间姿态转换矩阵转变成正侧面人耳图像特征集,最后用支持向量机进行分类识别。
3.
After the research of support vector machine trained with particle swarm optimization, it integrated with KPCA will be applied in the recognition of face images, utilizing the good performances of support vector machine in study, and we will find a new way for face recogni.
在通过对PSO算法训练支持向量机算法研究后,利用支持向量机在学习能力方面表现的良好性能,结合核主元分析特征提取方法,将其应用于人脸识别中,该方法在实验中表现了良好的识别性能,为人脸识别领域提供了一条新的识别途径。
补充资料：核反应分析
利用核反应测定样品表层的含量及深度分布的一种分析方法。用带电粒子、中子和γ射线都可以引起核反应，在核反应分析中通常利用加速器产生的具有一定能量的离子束轰击样品，离子同样品中待分析的核发生核反应，测量反应过程中瞬发放出的反应产物(出射粒子)，就可以实现元素定量分析。
原理 在原子核反应中，当入射粒子的种类和能量确定后，核反应产生的出射粒子的能量同样品中引起反应的核（靶核）性质有关。用高分辨率探测器，结合粒子鉴别技术，分析出射粒子能谱，根据出射粒子峰的能量和强度，可识别靶核的种类并确定其含量。核反应能谱又同入射粒子和出射粒子在样品中的电离能量损失有关。在样品不同深度处发生反应，产生的出射粒子有不同的能量；而出射粒子的强度同该深度处靶核的含量有关。对于核共振反应，改变入射粒子能量，反应将发生在样品的不同深度，共振反应产额同该处的靶核含量成正比。因此，分析核反应能谱或共振核反应产额曲线可以得到元素的深度分布。
实验方法 核反应分析实验中常采用能量在 0.5～5MeV的p+、d+、4He+等带电粒子。一般用金硅面垒型探测器探测核反应产生的带电粒子,用Nal(Tl)晶体或Ge(Li)探测器探测γ射线（见半导体探测器）。分析系统同电子计算机连接，可以实现数据自动处理。
分析方法 分绝对法和相对法。绝对法是根据核反应产额同截面、靶元素含量、入射离子数目、探测立体角等的关系，利用已知的核反应截面计算。相对法是比较在相同实验条件下待测样品和标准样品的产额或能谱实现的。
特点 核反应分析不仅可作元素的定量分析，而且可测量样品表面或近表面处元素的深度分布。入射带电粒子束可以聚焦，用聚焦后的微束扫描能够进行微区分析。利用重离子核反应（见重离子核物理）对同位素灵敏,可有极高选择性,也是目前分析氢元素在样品中分布的有效方法。选择好的实验条件可以实现两种以上元素的同时分析。分析的绝对灵敏度一般为 10-7～10-8g，高的可达10-10g；相对灵敏度一般在百万分之几百,高的可达百万分之几。分析深度一般在几微米到几十微米，深度分辨率在10～100nm，可达2nm。
应用 主要用于表面或近表面分析，了解样品的元素成分和杂质分布随深度的变化。自1962年利用氧-18示踪研究阳极上氧化铝中氧的转移情况以后，核反应分析技术越来越广泛地应用于各个领域。目前，主要在固体物理中研究扩散现象、薄膜生长机理、表面微量沾污、离子掺杂等，在冶金学中研究金属改性、腐殖现象、表面杂质含量等；在材料科学和半导体工业中对氧化现象、腐殖现象的研究，离子注入器件的分析等；此外，在地质、考古、天体物理及生物医学等方面也越来越多地得到应用。
原理 在原子核反应中，当入射粒子的种类和能量确定后，核反应产生的出射粒子的能量同样品中引起反应的核（靶核）性质有关。用高分辨率探测器，结合粒子鉴别技术，分析出射粒子能谱，根据出射粒子峰的能量和强度，可识别靶核的种类并确定其含量。核反应能谱又同入射粒子和出射粒子在样品中的电离能量损失有关。在样品不同深度处发生反应，产生的出射粒子有不同的能量；而出射粒子的强度同该深度处靶核的含量有关。对于核共振反应，改变入射粒子能量，反应将发生在样品的不同深度，共振反应产额同该处的靶核含量成正比。因此，分析核反应能谱或共振核反应产额曲线可以得到元素的深度分布。
实验方法 核反应分析实验中常采用能量在 0.5～5MeV的p+、d+、4He+等带电粒子。一般用金硅面垒型探测器探测核反应产生的带电粒子,用Nal(Tl)晶体或Ge(Li)探测器探测γ射线（见半导体探测器）。分析系统同电子计算机连接，可以实现数据自动处理。
分析方法 分绝对法和相对法。绝对法是根据核反应产额同截面、靶元素含量、入射离子数目、探测立体角等的关系，利用已知的核反应截面计算。相对法是比较在相同实验条件下待测样品和标准样品的产额或能谱实现的。
特点 核反应分析不仅可作元素的定量分析，而且可测量样品表面或近表面处元素的深度分布。入射带电粒子束可以聚焦，用聚焦后的微束扫描能够进行微区分析。利用重离子核反应（见重离子核物理）对同位素灵敏,可有极高选择性,也是目前分析氢元素在样品中分布的有效方法。选择好的实验条件可以实现两种以上元素的同时分析。分析的绝对灵敏度一般为 10-7～10-8g，高的可达10-10g；相对灵敏度一般在百万分之几百,高的可达百万分之几。分析深度一般在几微米到几十微米，深度分辨率在10～100nm，可达2nm。
应用 主要用于表面或近表面分析，了解样品的元素成分和杂质分布随深度的变化。自1962年利用氧-18示踪研究阳极上氧化铝中氧的转移情况以后，核反应分析技术越来越广泛地应用于各个领域。目前，主要在固体物理中研究扩散现象、薄膜生长机理、表面微量沾污、离子掺杂等，在冶金学中研究金属改性、腐殖现象、表面杂质含量等；在材料科学和半导体工业中对氧化现象、腐殖现象的研究，离子注入器件的分析等；此外，在地质、考古、天体物理及生物医学等方面也越来越多地得到应用。
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