1) 2D PCA
二维成分分析
2) two-dimensional principal component analysis
二维主成分分析
1.
Then the two-dimensional principal component analysis approach is applied to the training images represented by ROIs to get the statistical feature space.
该算法根据奇异点的位置和方向,提取指纹图像的感兴趣区域(ROI),并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别。
2.
This paper proposes face recognition software that uses two-dimensional principal component analysis (2DPCA) in conjunction with partial feature weighting by applying two-dimensional partial-weighting to the characteristic subspace.
提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法。
3.
Based on two-dimensional principal component analysis,this paper investigates the features of manifold distribution.
在二维主成分分析的基础上,考虑样本的流形分布特点,引入样本相似系数,重新定义了样本拉普拉斯散布矩阵,进而给出了基于拉普拉斯二维主成分分析的特征提取方法。
3) 2DPCA
二维主成分分析
1.
A feature extraction method for palmprint recognition based on Two-Dimensional Principal Component Analysis(2DPCA)is proposed in this paper.
论文提出了将二维主成分分析方法(2DPCA)应用于掌纹识别的特征提取,并在PolyU掌纹数据库上利用最近邻分类器与余弦距离度量进行了相应的实验,得到了99。
2.
From researching on the universal principle of feature fusion of image,a new algorithm was proposed which based on the 2 dimension principal component analyses(for short 2DPCA).
通过对图像特征融合的一般规律的研究,提出了一种基于二维主成分分析(简称2DPCA)的图像特征融合算法。
3.
Based on the theory of statistics, this dissertation investigates two aspects of unsupervised method: (a) the systematical study of some topics that arise in finite mixtures of models, and (b) the researches on nonlinear extensions to two-dimensional principal component analysis (2DPCA), during which we take face recognition into account.
本文以统计理论为基础,研究两个方面的内容:(a)对有限混合模型的有关议题进行了较为系统的研究;(b)结合人脸识别问题,研究了二维主成分分析的非线性扩展。
4) Two Dimensional Principal Component Analysis(2DPCA)
二维主成分分析
1.
Two Dimensional Principal Component Analysis(2DPCA) extracts the global feature of human face,but the local feature is very important to face recognition.
针对二维主成分分析(2DPCA)提取的是人脸的全局特征,但局部特征对人脸识别的作用非常大,提出了一种基于局部特征的自适应加权2DPCA。
2.
Based on Two Dimensional Principal Component Analysis(2DPCA),a new technique called Modular Two Dimensional Principal Component Analysis(M2DPCA) is developed for human face recognition in this paper.
基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。
3.
Following these,feature reduction was effected using two directional two dimensional principal component analysis((2D)2 PCA) and column directional two dimensional principal component analysis(2DPCA) respectively.
在周期分割后的特征提取阶段分别使用GEI结合行列相结合的二维主成分分析((2D)2PCA)方法和对步态序列图像进行Radon变换,在周期模板构造后用列方向的二维主成分分析(2DPCA)降维方法进行数据压缩。
5) Modular Two Dimensional Principal Component Analysis(M2DPCA)
分块二维主成分分析
1.
Based on Two Dimensional Principal Component Analysis(2DPCA),a new technique called Modular Two Dimensional Principal Component Analysis(M2DPCA) is developed for human face recognition in this paper.
基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。
6) 2DSPCA
二维对称主成分分析
1.
An improved PCA algorithm with two dimension symmetrical PCA(2DSPCA),was used in face recognition.
本文把其改进算法二维对称主成分分析应用到人脸识别中。
补充资料：X射线型成分分析仪
X射线型成分分析仪
X-ray analysis
Xshex一onx旧9 ehengfen fenxly-x射线型成分分析仪(X一ray analyser)利用X射线与元素原子轨道上的电子相互作用所发生的光电效应检测物料化学组成的物料成分分析设备。 X射线是波长为1。一‘2一1。一吕m的电磁波，对物质有较强的穿透能力，并和物质产生包括光电效应在内的多种相互作用。根据发生光电效应后，光子和电离原子的变化情况，可将X射线成分分析分为X射线吸收分析和X射线荧光分析两类。 x射线吸收分析利用原子在一定条件下对射线的选择性吸收分析物质的成分。用射线光子使某原子电离，只能发生在光子能量等于或大于该原子的轨道电子的结合能的条件下，此结合能即是该原子的“吸收限”(吸收边)，当光子能量等于或接近吸收限时，原子对射线的吸收呈现跳跃式的增加，这种现象称为原子对射线的选择性吸收。不同的原子及其各层轨道电子均有不同的吸收限，可以利用这种现象来分析物质的元素。这种型式的分析仪对射线源及分辨系统的要求高，故较少使用，通常仅用于分析铅、钗、钨、铀等重元素。此时，样品中其他元素的吸收限远低于这些重元素，对所用射线产生选择性吸收的几率极小。检测射线透过一定厚度样品后的强度，便可得知目的元素的含量。 x射线荧光分析利用物质的元素被X射线照射后能产生特征X射线(荧光)的现象分析物料成分。当分子的某层轨道电子受到光子照射脱离原子后，其空位将由位于较高能级的电子通过跃迁来补充，同时以X射线形式辐射出多余的能量，此能量等于跃迁电子的能级差△E。每种元素的电子能级都不相同，各层轨道的能级也各异，所以，称这种X射线为特征X射线或X射线荧光，并可根据其特征的么E值来分析元素。特征X射线波长几~h‘/△E，式中h为普朗克常数，。为光速，可以由测定特征波长来分析元素，它们间的关系为人一K(Z一S)，式中，K、S为常数，Z为原子序数。用这种方法可以分析原子序数Z>3的所有元素，是分析物料成分的主要方法。由于轻元素的荧光能量小，分析精度低，故多用于分析Z为12一92的元素。 X射线荧光分析仪按其所用射线源种类分为X射线管式和放射性同位素式两种;按对荧光的色散方法分为波长色散型和能量色散型两种;按使用条件分为离线式、在线式和在流式以及大型和轻便型等。它们实际上又互相交叉，构成种类繁多的分析仪。这些仪器 1般由射线源、谱仪、探测器、单道或多道分析器、计数率计以及电子线路等部分组成。现代的分析仪均配有微机和相应装置以及多种应用和操作软件。
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