1) ND-PCA
N维主元分析
1.
This paper mainly introduces some methods including PCA, 2DPCA, G2DPCA and ND-PCA based on tensor.
本文主要介绍了传统的主元分析方法,二维主元分析方法以及扩展的二维主元分析方法,重点研究了基于张量的N维主元分析方法,并从理论上分析了这些方法的优缺点。
2.
Research of Face Recognition Based on ND-PCA;
本文主要介绍了传统的主元分析方法,二维主元分析方法以及扩展的二维主元分析方法,重点研究了基于张量的N维主元分析方法,并从理论上分析了这些方法的优缺点。
2) Two-dimensional Principal Component Analysis(2DPCA)
二维主元分析
1.
In combination with Wavelet Transform(WT),Two-dimensional Principal Component Analysis(2DPCA) and Ellipsoidal Basis Function(EBF),a fingerprint recognition algorithm based on WT,2DPCA and EBF neural network(EBFNN) is proposed.
结合小波变换(WT)、二维主元分析(2DPCA)和椭球基函数(EBF)特点,提出了一种基于WT、2DPCA和EBF神经网络指纹识别方法。
2.
Combined with Discrete Cosine Transform(DCT) and Two-Dimensional Principal Component Analysis(2DPCA),a novel method in face recognition was presented in this paper.
提出了一种对角离散余弦变换(Discrete Cosine Transform,DCT)和二维主元分析(Two-Dimensional Principal Component Analysis,2DPCA)相结合的人脸识别方法。
3.
Combined with the characteristics of two-dimensional principal component analysis(2DPCA),2DPCA algorithm is applied in face recognition.
结合二维主元分析(two-dimensionalprincipalcomponentanalysis,2DPCA)的特点,将2DPCA算法用于人脸识别。
3) 2DPCA
二维主元分析
1.
Two-dimensional Principle Component Analysis (2DPCA) is used to compute covariance matrix directly according to two-dimensional matrix of face image, which is not be transformed into vector, and computation of eigenvalues and eigen.
二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化。
2.
Some of face recognition methods based on Principal Component Analysis(PCA),Two-dimensional Principal Component Analysis(2DPCA) and Fisher s Linear Discriminant Analysis(FLDA) are comparatively studied in this paper.
对基于主元分析(PCA)、二维主元分析(2DPCA)和Fisher线性判别分析(FLDA)的人脸识别方法进行了比较研究。
4) Two-dimensional Principle Component Analysis(2DPCA)
二维主元分析(2DPCA)
5) N-gram analysis
N元分析
1.
Therefore, centering on technologies and methods of the automatic indexing as well as taking text information indexing as an object of study, this paper discussed the new combined method of automatic indexing for text information based on N-gram analysis and word frequency statistic by combining comparative analysis method with experimental analysis method.
在此基础上,提出了基于N元分析与词频统计的文本复合标引这一新型标引方法。
6) principal component analysis
主元分析
1.
Application of improved principal component analysis method to mould process monitoring in continuous casting;
改进的主元分析法在连铸结晶器过程监测中的应用
2.
The application of principal component analysis on sEMG signals analysis during slips;
主元分析在研究滑倒时肌电信号中的应用
3.
A method for truss structural damage detection based on principal component analysis;
基于主元分析的网架结构损伤识别方法
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