搜索结果: 1-15 共查到“计算机科学技术 PCA”相关记录55条 . 查询时间(0.034 秒)
中国科学技术大学高级计算机体系结构课件 pca-lec07-SMP1。
中国科学技术大学高级计算机体系结构课件 pca-lec06-interconnectroute2
中国科学技术大学 高级计算机体系 结构 课件 pca-lec06-interconnectroute2
2019/4/3
中国科学技术大学高级计算机体系结构课件 pca-lec06-interconnectroute2。
中国科学技术大学高级计算机体系结构课件 pca-lec05-interconnectroute
中国科学技术大学 高级计算机体系 结构 课件 pca-lec05-interconnectroute
2019/4/3
中国科学技术大学高级计算机体系结构课件 pca-lec05-interconnectroute。
中国科学技术大学高级计算机体系结构课件 pca-lec04-interconnect。
中国科学技术大学高级计算机体系结构课件 pca-lec03-perf。
中国科学技术大学高级计算机体系结构课件 pca-lec02-converge。
中国科学技术大学高级计算机体系结构课件 pca-lec01-intro。
基于流形学习的局部保持PCA算法在故障检测中的应用
主元分析 局部保持 故障检测 流形学习
2014/3/7
提出一种新的基于流形学习的数据降维及特征提取方法: 局部保持PCA 算法(LPPCA). 通过在PCA 的优化目标中融入流形学习的思想, 不仅使投影得到的低维空间和原始样本空间具有相似的全局结构, 并且保持了相似的局部近邻结构, 克服了传统PCA 方法只关注全局结构特征而忽略局部流形特征的缺陷, 同时给出了LPPCA 在故障检测中的应用方法. S-Curve 和Swiss-roll 曲面数值仿真和...
针对网络入侵检测数据存在大量冗余信息和传统聚类算法对离群点检测不足的问题,提出一种基于主成分分析(principal component analysis, PCA)和半监督聚类的入侵检测算法。首先使用PCA对数据进行特征提取,消除数据间的冗余属性;然后利用少量已标记样本和成对约束信息,通过引入竞争凝聚让系统主动学习,以实现对大量未知样本的检测。在入侵检测数据集和UCI基准数据集上的实验结果表明,...
二维PCA非参数子空间分析的人脸识别算法
人脸识别 特征提取 二维非参数子空间分析 二维主成分分析 二维线性判别分析
2012/3/1
提出一种结合二维PCA(2DPCA)的二维非参数子空间分析(2DNSA)人脸识别算法。利用2DPCA对原始图像矩阵进行特征降维，以降维后的特征为训练样本，进行二维非参数判别分析，并综合考虑类边界样本对分类的影响，采用2DNSA实现更合理的特征提取。基于Yale、LARGE人脸数据库的实验结果表明，与(2D)2PCA、2DPCA、(2D)2LDA、2DLDA、2DPCA+2DLDA、2DNSA算法相...
阐述了基于主成分分析 (Principal Component Analysis,PCA)和二维主成分分析(2DPCA）的人脸识别方法，分析了该方法在矩阵理论中的来源和算法，提出了PCA+2DPCA分析方法，并采用2DPCA求出特征向量，PCA进行最优压缩，从而降低了维数.
基于PCA和自适应区域方差的图像融合方法
图像融合 提升小波 主元分析 局部区域方差
2010/8/24
在对源图像进行提升小波变换的基础上，针对分解得到的低频分量和高频分量各自的特点，选取不同的融合规则，采用基于PCA和自适应区域方差的图像融合方法，即低频近似系数采用基于主元分析(PCA)加权法，高频细节系数采用自适应局部区域方差的融合方法，最后进行提升小波逆变换得到融合图像。实验结果表明，与传统算法相比，该算法不仅提高了信息量和清晰度，而且提高了融合图像与源图像的相关系数，降低了扭曲程度，有效地保...
为了对坐姿下的几种行为进行识别，在分析常有坐姿的基础上，提出了通过PCA对八种不同姿势进行分类识别的方法。结合背景帧信息通过背景轮廓消减法提取运动目标区域，利用肤色在YCbCr空间聚集在一片固定区域且在CbCr平面上投影为一个近似椭圆的特性，在运动目标区域提取肤色区域，并对检测出的肤色灰度图进行PCA运算，实现了姿势识别。实验结果表明，所提出的利用PCA进行姿势识别的方法正确率达到84.92%，能...
聚类与PCA融合的特征提取方法研究
特征提取 主成分分析 多重相关 RelieF算法 K-maxmin聚类
2010/5/4
针对主成分分析（Principal Component Analysis，PCA）在克服变量多重相关性中的局限作用，提出了基于K-maxmin聚类的改进PCA特征提取方法，并结合RelieF算法去除分类不相关特征，可进一步提高算法效率和准确性。实验结果表明，该方法的特征提取效果优于传统的PCA方法。