1) Extended KPCA
扩展核主成分分析
2) Rotated extended principal component analysis
旋转扩展主成分分析
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：扩展
分子式：
CAS号：
性质：单纯形优化法中推移单纯形的一种基本操作之一。当以试验中效果最坏的实验点作为基点，将其沿基点经单纯形的形心点的延长线作等距离反射时，若在反射点的试验效果在各实验点中最好，这时可使用更大的步长推移单纯形，此种操作称为扩展。
CAS号：
性质：单纯形优化法中推移单纯形的一种基本操作之一。当以试验中效果最坏的实验点作为基点，将其沿基点经单纯形的形心点的延长线作等距离反射时，若在反射点的试验效果在各实验点中最好，这时可使用更大的步长推移单纯形，此种操作称为扩展。
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