1) kernel principal component analysis
核-主元分析
1.
In the training phase, kernel principal component analysis is used to capture nonlinear handwriting variations.
在训练阶段,核-主元分析用来捕捉非线性的手写变化。
2) kernel principal component analysis
核主元分析
1.
Nonlinear process monitoring method based on multi-scale kernel principal component analysis;
基于多尺度核主元分析的非线性过程监控方法研究
2.
Fault diagnosis method based on immune kernel principal component analysis;
基于免疫核主元分析的故障诊断方法
3.
A new approach based on rough kernel principal component analysis (RKPCA) is proposed for aeroengine fault feature extraction, in which the rough set is combined with kernel principal component analysis.
将粗糙集理论的属性约简与核主元分析方法结合起来,提出一种基于粗糙核主元分析的故障特征提取方法。
3) kernel principle component analysis
核主元分析
1.
A new method for process monitoring and fault diagnosis of condenser based on kernel principle component analysis(KPCA) and proximal support vector machine (PSVM) was proposed.
提出了基于核主元分析(KPCA)和邻近支持向量机(PSVM)的汽轮机凝汽器过程监控和故障诊断新方法,将数据先用核主元法进行分析和处理,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间中进行特征提取,若数据的Hotelling’sT2和Q统计量超过控制限,说明有故障发生,则计算样本的非线性主元得分向量,并将其作为输入值送入已训练好的邻近支持向量机进行故障类型识别。
2.
In order to improve the efficiency and to reduce NOx emission in combustion, a mixed model of the coal-fired boiler was studied by using kernel principle component analysis (KPCA), ε-support vector regression (ε-SVR) and function-type model.
为了解决电站锅炉高效低污染的优化决策问题,建立了基于核主元分析支持向量回归机(kernel principle component analysis ε-support vector regression,KPCA-ε-SVR)与机理模型混合的锅炉热效率和NOx排放特性响应模型。
4) KPCA
核主元分析
1.
Predicting the Free Calcium Oxide Content on the Basis of KPCA and Support Vector Machines;
基于核主元分析和支持向量机的f-CaO含量预测
2.
Firstly,basis spaces including the posed ear images and the frontal ear images are obtained using PCA or KPCA.
首先,利用主元分析和核主元分析方法得到姿态人耳图像和正侧面人耳图像的基空间,通过计算两种基空间之间的线性转换关系求出姿态转换矩阵,然后将待测的姿态人耳图像特征集利用基空间姿态转换矩阵转变成正侧面人耳图像特征集,最后用支持向量机进行分类识别。
3.
After the research of support vector machine trained with particle swarm optimization, it integrated with KPCA will be applied in the recognition of face images, utilizing the good performances of support vector machine in study, and we will find a new way for face recogni.
在通过对PSO算法训练支持向量机算法研究后,利用支持向量机在学习能力方面表现的良好性能,结合核主元分析特征提取方法,将其应用于人脸识别中,该方法在实验中表现了良好的识别性能,为人脸识别领域提供了一条新的识别途径。
5) kernel principal component analysis(KPCA)
核主元分析
1.
A novel method for palmprint recognition based on kernel principal component analysis(KPCA) and fisher linear discriminant(FLD) is presented.
提出了基于核主元分析(KPCA)和FLD相结合的掌纹识别方法。
2.
The nonlinear components of gait features are extracted based on kernel principal component analysis(KPCA).
首先对每个序列进行运动轮廓抽取,从3个方向(水平、垂直、斜向)对时变的二维轮廓进行扫描,分别转换为对应的一维向量;采用核主元分析法(KPCA)提取步态的非线性特征,在此基础上采用线性支持向量机训练步态分类器组,最后用支持向量机组进行步态识别。
6) kernel PCA
核主元分析
1.
For several complex industry processes,the original fault sources are difficult to identify by using kernel principal component analysis(kernel PCA)methods.
核主元分析(KPCA)在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。
2.
Based on the kernel function, a kind of kernel PCA SVM integrated classifying method through combing the support vector machine with kernel principle component analysis is proposed, and the algorithm realizing steps are presented.
在核函数基础上,提出了一种融合支持向量机和核主元分析的核PCA支持向量机综合集成分类方法,给出了算法实现步骤。
参考词条
补充资料：核反应分析
利用核反应测定样品表层的含量及深度分布的一种分析方法。用带电粒子、中子和γ射线都可以引起核反应，在核反应分析中通常利用加速器产生的具有一定能量的离子束轰击样品，离子同样品中待分析的核发生核反应，测量反应过程中瞬发放出的反应产物(出射粒子)，就可以实现元素定量分析。
原理 在原子核反应中，当入射粒子的种类和能量确定后，核反应产生的出射粒子的能量同样品中引起反应的核（靶核）性质有关。用高分辨率探测器，结合粒子鉴别技术，分析出射粒子能谱，根据出射粒子峰的能量和强度，可识别靶核的种类并确定其含量。核反应能谱又同入射粒子和出射粒子在样品中的电离能量损失有关。在样品不同深度处发生反应，产生的出射粒子有不同的能量；而出射粒子的强度同该深度处靶核的含量有关。对于核共振反应，改变入射粒子能量，反应将发生在样品的不同深度，共振反应产额同该处的靶核含量成正比。因此，分析核反应能谱或共振核反应产额曲线可以得到元素的深度分布。
实验方法 核反应分析实验中常采用能量在 0.5～5MeV的p+、d+、4He+等带电粒子。一般用金硅面垒型探测器探测核反应产生的带电粒子,用Nal(Tl)晶体或Ge(Li)探测器探测γ射线（见半导体探测器）。分析系统同电子计算机连接，可以实现数据自动处理。
分析方法 分绝对法和相对法。绝对法是根据核反应产额同截面、靶元素含量、入射离子数目、探测立体角等的关系，利用已知的核反应截面计算。相对法是比较在相同实验条件下待测样品和标准样品的产额或能谱实现的。
特点 核反应分析不仅可作元素的定量分析，而且可测量样品表面或近表面处元素的深度分布。入射带电粒子束可以聚焦，用聚焦后的微束扫描能够进行微区分析。利用重离子核反应（见重离子核物理）对同位素灵敏,可有极高选择性,也是目前分析氢元素在样品中分布的有效方法。选择好的实验条件可以实现两种以上元素的同时分析。分析的绝对灵敏度一般为 10-7～10-8g，高的可达10-10g；相对灵敏度一般在百万分之几百,高的可达百万分之几。分析深度一般在几微米到几十微米，深度分辨率在10～100nm，可达2nm。
应用 主要用于表面或近表面分析，了解样品的元素成分和杂质分布随深度的变化。自1962年利用氧-18示踪研究阳极上氧化铝中氧的转移情况以后，核反应分析技术越来越广泛地应用于各个领域。目前，主要在固体物理中研究扩散现象、薄膜生长机理、表面微量沾污、离子掺杂等，在冶金学中研究金属改性、腐殖现象、表面杂质含量等；在材料科学和半导体工业中对氧化现象、腐殖现象的研究，离子注入器件的分析等；此外，在地质、考古、天体物理及生物医学等方面也越来越多地得到应用。
原理 在原子核反应中，当入射粒子的种类和能量确定后，核反应产生的出射粒子的能量同样品中引起反应的核（靶核）性质有关。用高分辨率探测器，结合粒子鉴别技术，分析出射粒子能谱，根据出射粒子峰的能量和强度，可识别靶核的种类并确定其含量。核反应能谱又同入射粒子和出射粒子在样品中的电离能量损失有关。在样品不同深度处发生反应，产生的出射粒子有不同的能量；而出射粒子的强度同该深度处靶核的含量有关。对于核共振反应，改变入射粒子能量，反应将发生在样品的不同深度，共振反应产额同该处的靶核含量成正比。因此，分析核反应能谱或共振核反应产额曲线可以得到元素的深度分布。
实验方法 核反应分析实验中常采用能量在 0.5～5MeV的p+、d+、4He+等带电粒子。一般用金硅面垒型探测器探测核反应产生的带电粒子,用Nal(Tl)晶体或Ge(Li)探测器探测γ射线（见半导体探测器）。分析系统同电子计算机连接，可以实现数据自动处理。
分析方法 分绝对法和相对法。绝对法是根据核反应产额同截面、靶元素含量、入射离子数目、探测立体角等的关系，利用已知的核反应截面计算。相对法是比较在相同实验条件下待测样品和标准样品的产额或能谱实现的。
特点 核反应分析不仅可作元素的定量分析，而且可测量样品表面或近表面处元素的深度分布。入射带电粒子束可以聚焦，用聚焦后的微束扫描能够进行微区分析。利用重离子核反应（见重离子核物理）对同位素灵敏,可有极高选择性,也是目前分析氢元素在样品中分布的有效方法。选择好的实验条件可以实现两种以上元素的同时分析。分析的绝对灵敏度一般为 10-7～10-8g，高的可达10-10g；相对灵敏度一般在百万分之几百,高的可达百万分之几。分析深度一般在几微米到几十微米，深度分辨率在10～100nm，可达2nm。
应用 主要用于表面或近表面分析，了解样品的元素成分和杂质分布随深度的变化。自1962年利用氧-18示踪研究阳极上氧化铝中氧的转移情况以后，核反应分析技术越来越广泛地应用于各个领域。目前，主要在固体物理中研究扩散现象、薄膜生长机理、表面微量沾污、离子掺杂等，在冶金学中研究金属改性、腐殖现象、表面杂质含量等；在材料科学和半导体工业中对氧化现象、腐殖现象的研究，离子注入器件的分析等；此外，在地质、考古、天体物理及生物医学等方面也越来越多地得到应用。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。