1) Spca-Ten
稀疏主成分分析
2) Sparse Principal Component
稀疏主成分
1.
The Application of Sparse Principal Component Analysis in Comprehensive Assessment
稀疏主成分在综合评价中的应用
3) sparse component analysis(SCA)
稀疏成分分析(SCA)
4) Sparse Component Analysis
稀疏成分分析
5) sparse kernel principal component analysis
稀疏核主元分析
1.
On-line nonlinear process monitoring based on sparse kernel principal component analysis;
基于稀疏核主元分析的在线非线性过程监控
6) Sparse component analysis
稀疏成份分析
1.
Based on the measurement model of inverse synthetic aperture radar within a small aspect sector,two imaging methods,named as FFT-based united algorithm and two-dimensional decoupled algorithm,are presented with the application of sparse component analysis.
根据小角度条件下的逆合成孔径雷达观测模型,利用稀疏成份分析方法给出了基于FFT的二维联合超分辨算法和二维解耦超分辨成像算法。
2.
Based on the technique of sparse component analysis, a conditionally-linear parameterized model is constructed for signal representation and an algorithm named sequential linear programming is presented to solve it.
利用稀疏成份分析技术,建立了信号表示的条件线性参数模型,提出了模型求解的序列线性规划算法。
3.
On this basis, a generalized version of regularized FOCUSS algorithm applicable to sparse component analysis is derived, and its conver.
由此导出了可用于稀疏成份分析的广义正则化FOCUSS算法,并证明了该算法的收敛性。
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