1) Kernel PCA
内核主元分析（KPCA）
2) Kernel PCA
Kernel PCA
1.
In Nonlinear ADF,Kernel PCA is applied to capture and represent the nonlinear deformations.
该方法利用Kernel PCA分析捕捉和表示这种非线性变化。
3) kernel PCA
核PCA
1.
Nonlinear online process monitoring and fault diagnosis of condenser based on kernel PCA plus FDA;
基于核PCA和FDA的凝汽器非线型过程监控和故障诊断(英文)
2.
This paper presented a new intellignet image analysis algorithm based on kernel PCA.
提出了一种基于核PCA的智能图像分析算法,该算法将非线性数据映射到高维特征空间,能自动创建新的聚类并且连续调整聚类以适应于新目标,从而提高目标识别系统的性能。
4) kernel PCA
核主分量分析
5) kernel PCA
核主元分析
1.
For several complex industry processes,the original fault sources are difficult to identify by using kernel principal component analysis(kernel PCA)methods.
核主元分析(KPCA)在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。
2.
Based on the kernel function, a kind of kernel PCA SVM integrated classifying method through combing the support vector machine with kernel principle component analysis is proposed, and the algorithm realizing steps are presented.
在核函数基础上,提出了一种融合支持向量机和核主元分析的核PCA支持向量机综合集成分类方法,给出了算法实现步骤。
6) Kernel PCA methods
Kernel PCA方法
参考词条
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。