1) Independent component analysis
独立主元分析
2) Independent component analysis
独立元分析
1.
On-line monitoring of gas metal arc welding defects based on independent component analysis;
基于独立元分析的GMAW缺陷在线监测
2.
Contorted objects recognition based on independent component analysis;
基于独立元分析的扭曲目标识别
3.
Analysis of Electrocardiogram Signals Based on Independent Component Analysis;
基于独立元分析的心电信号分析
3) independent component analysis(ICA)
独立元分析
1.
A new denoising method is presented in the paper, based on the independent component analysis(ICA) and the noise independent component selection measurement which is the dispersivity of the independent component's projection coefficients to each electrode.
使用独立元分析方法,提出了一种以独立元对各电极点投影系数的离散度为噪声独立元选取准则,设计了一套心外膜标测电位去噪新方法。
4) ICA
独立元分析
1.
A New Scheme for Affine Invariant-Descriptor and Affine Transformation Parameter Estimation Based on ICA;
一种基于独立元分析的仿射不变描述和仿射变换参数估计的新方法
2.
In face recognition traditional Independent Component Analysis (ICA) is to convert face image matrix into vector to find whitened matrix, and separate matrix is solved by way of Fast ICA.
传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别。
3.
General Face Animation Mode Expression Based on ICA;
然后通过对获取数据应用独立元分析获得一般人脸动画模式,最终使用ICA参数空间生成任意特定人的面部表情。
5) kernel independent component analysis
核独立元分析
1.
In order to detect ramp fault in nonlinear industrial process,a new fault detection method is proposed based on summed kernel independent component analysis(SKICA).
针对非线性工业过程缓变型故障的检测问题,提出一种基于累积和核独立元分析(SKICA)的故障检测方法。
6) dynamic independent component analysis
动态独立元分析
1.
A simplified dynamic independent component analysis;
一种简化的动态独立元分析方法
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