1) kernel component analysis
核的主成分分析
2) Weighed Kernel Principal Componen
加权的核主成分分析
3) Kernel principle component analysis
核主成分分析
1.
In this paper,a new algorithm for recognizing irises is proposed,which utilizes Kernel principle component analysis(KPCA) to extract iris texture feature and adopts competitive learning mechanism to recognize.
提出了一种新的虹膜识别方法,利用核主成分分析(KPCA)提取虹膜的纹理特征,采用竞争学习机制进行识别。
2.
A newkernel principle component analysis method is proposed, which is based onlocal kernel functions associ.
核主成分分析是一种新的统计信号处理技术,它能提取图像的非线性特征。
3.
A novel approach is proposed to reduce dimensions of documents and extract semantic concepts of words using Kernel Principle Component Analysis.
通过核主成分分析(KPCA)提取语义概念空间实现特征提取,因为 GHA 算法在每次 KPCA 迭代过程中,无需直接计算和存储协方差矩阵,实现了较好的时间和空间性能。
4) kernel principal component analysis(KPCA)
核主成分分析
1.
The kernel principal component analysis(KPCA)effectively captures the nonlinear relationship of the process variables,which computes principal component in high-dimensional feature space by means of integral operators and nonlinear kernel functions.
核主成分分析(KPCA)方法通过集成算子与非线性核函数计算高维特性空间的主元成分,有效捕捉过程变量中的非线性关系,将其用于传感器常见4种故障的诊断,先用Q统计量进行故障监测,再用T2贡献量百分比变化来识别故障。
2.
Firstly,the principal eigenvalues are found respectively of the two classes of samples in feature space by using Kernel Principal Component Analysis(KPCA).
首先,对两类样本数据在核空间中进行核主成分分析,分别求出两类样本数据的在特征空间中的主要特征值;然后,根据两样本容量以及各自的特征值所提供的信息,对两类数据给出惩罚因子比例;最后,通过优化训练,产生一个新的分离超平面。
3.
Kernel Discriminant Anlaysis(KDA) and Kernel Principal Component Analysis(KPCA) are the nonlinear extensions of Linear Discriminant Analysis(LDA) and Principal Component Analysis(PCA) respectively.
核判别分析(KDA)和核主成分分析(KPCA)分别是线性判别分析(LDA)和主成分分析(PCA)在核空间中的非线性推广,提出了一种融合KDA和KPCA的特征提取方法并应用于人脸识别中,该方法综合利用KDA和KPCA的优点来提高人脸识别的性能。
5) Kernel principal component analysis
核主成分分析
1.
Feature extraction based on Kernel Principal Component Analysis;
基于核主成分分析的特征提取方法
2.
Aircraft cockpit voice signal recognition based on kernel principal component analysis and SVM;
基于核主成分分析和支持向量机的飞机舱音信号识别
3.
The algorithm of face recognition based on kernel principal component analysis(KPCA)can abstract nonlinear features of image and can get better performance under less sample training conditions.
基于核主成分分析(KPCA)的人脸识别算法能够提取非线性图像特征,在小样本训练条件下有较好性能。
6) KPCA
核主成分分析
1.
KPCA extracting principal component with nonlinear method is an improved conventional PCA.
核主成分分析方法是主成分分析的改进算法,其采用非线性方法提取主成分。
2.
Whereas the feature information of images extracted by making use of KPCA could represent the nonlinear structure information properly,a new face recognition method based SVM,which makes such feature data to be the input information,was proposed.
利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息,然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略,能够实现对多类人脸图像的分类识别。
3.
The KPCA and SVM are adopted to implement intrusion detection.
提出了利用核主成分分析和支持向量机结合进行入侵检测的方法。
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