1) Kernel principal component analysis
核函数主成分分析
2) functional principal components analysis
函数主成分分析
1.
A low-dimensional functional space is constructed from a set of example motions by using functional principal components analysis.
通过对一组样本运动进行函数主成分分析,构建出一个由特征运动构成的低维函数子空间。
3) kernel principle component analysis(KPCA)
核函数主元分析
1.
Based on the kernel principle component analysis(KPCA),a fault diagnosis method of roller bearing is proposed,where a nonlinear problem is transformed into a higher dimensional linear feature space by kernel function map.
基于核函数主元分析的独特优势,提出了滚动轴承故障诊断方法,通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对故障模式进行识别。
2.
A method of machine fault diagnosis was proposed using the kernel principle component analysis(KPCA).
提出基于核函数主元分析的机械故障诊断方法,它保留主元分析的优点并具有处理非线性的能力。
4) kernel principal component analysis
核函数主元分析
1.
Kernel principal component analysis(KPCA) has emerged in recent years as a nonlinear process monitoring technique.
核函数主元分析(KPCA)可用于非线性过程监控。
6) Functional principal component
函数性主成份分析
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