1) W (2D)~2 PCA
加权的2维主成分分析
2) WC2DPCA(weighted complete two-dimensional principal component analysis)
加权完全的二维主成分分析
3) Weighed Kernel Principal Componen
加权的核主成分分析
4) 2DPCA
2维主成分分析
1.
For improving adaptability and accuracy of validating text,the application of two-dimension principal component analysis(2DPCA) for video frame processing is investigated and a novel 2DPCA and support vector machine(SVM) based approach for validating t.
为提高验证方法的适应性和准确性,通过将2维主成分分析(2DPCA)应用到视频字幕验证中,提出了一种基于2DPCA和支撑向量机(SVM)的视频字幕验证方法。
6) Weighted Principal Components Analysis(PCA)
主成分分析加权
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