• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Artificial neural networks for nonlinear extensions of principal component analysis.
【24h】

Artificial neural networks for nonlinear extensions of principal component analysis.

机译：人工神经网络用于主成分分析的非线性扩展。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

One of the challenges in data intensive computing is the ability to deal with complexities intrinsic to vast data sets in high-dimensional spaces. Dealing with these properties becomes increasingly more difficult as both the dimensionality and the amount of the data increases. This type of problem is a challenging task for human visual perception. Therefore, multivariate statistical methods are generally used to identify and eliminate unnecessary dimensions so as to encourage a more parsimonious representation of the data set while retaining the maximum information content possible. The traditional multivariate statistical methods, though useful, are limited as the applications becoming more complex to unveil nonlinear relationships among the variables. These methods typically lack the capability to efficiently handle a large amount of on-line data. This research proposes a unified state of the art methodology for discovering both linear and nonlinear information in the data using linear and nonlinear projections without biasing the results by imposing preconceived parametric (model) structures. The new methods advocated here are nonlinear extensions of principal component analysis (PCA) by means of artificial neural networks (ANN) to address the important problem of on-line adaptive parameter estimation for effectively dealing with data intensive computing. Several industrial applications such as data compression, automotive air-fuel ratio modeling and intake valve carbon deposit analysis will be solved using the proposed techniques.
机译：数据密集型计算的挑战之一是处理高维空间中庞大数据集固有的复杂性的能力。随着维数和数据量的增加，处理这些属性变得越来越困难。对于人类的视觉感知来说，这类问题是一项艰巨的任务。因此，通常使用多元统计方法来识别和消除不必要的维度，以便在保持最大可能信息量的同时，鼓励更简约地表示数据集。传统的多元统计方法虽然有用，但由于揭露变量之间非线性关系的应用变得越来越复杂而受到限制。这些方法通常缺乏有效处理大量在线数据的能力。这项研究提出了一种最新技术的统一方法，该方法可使用线性和非线性投影来发现数据中的线性和非线性信息，而不会因施加先入为主的参数（模型）结构而对结果产生偏差。这里提倡的新方法是通过人工神经网络（ANN）对主成分分析（PCA）进行非线性扩展，以解决在线自适应参数估计的重要问题，以有效处理数据密集型计算。使用建议的技术将解决诸如数据压缩，汽车空燃比建模和进气门碳沉积分析等几种工业应用。

著录项

  • 作者

    Sudjianto, Agus.;

  • 作者单位

    Wayne State University.;

  • 授予单位 Wayne State University.;
  • 学科 Engineering Industrial.; Statistics.
  • 学位 Ph.D.
  • 年度 1996
  • 页码 159 p.
  • 总页数 159
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 一般工业技术;统计学;
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号