...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pomiary Automatyka Kontrola >Redukcja wymiarowości danych pomiarowych z wykorzystaniem liniowej i nieliniowej analizy składników głównych (PCA)
【24h】

Redukcja wymiarowości danych pomiarowych z wykorzystaniem liniowej i nieliniowej analizy składników głównych (PCA)

机译：使用线性和非线性主成分分析（PCA）确定测量数据的尺寸

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

Reprezentacja danych wielowymiarowych na płaszczyźnie lub w przestrzeni jest często spotykanym zagadnieniem w rozpoznawaniu obrazów. Jednak wykorzystywane w tej dziedzinie metody mogą być stosowane zawsze, gdy zachodzi konieczność wizualizacji złożonych danych pomiarowych. Uznaną i często stosowaną do tego celu techniką jest tzw. Analiza Składników Głównych (ang. Principal Components Analysis). Ponieważ jest to przekształcenie liniowe, posiada ono liczne ograniczenia. Wersja nieliniowa tego przekształcenia, tzw. NLPCA, pozwala ominąć te niedogodności, za cenę pewnej niejednoznaczności wyniku. Praca opisuje wyżej wymienione przekształcenia, ich implementację (m.in. przy użyciu sieci neuronowych), oraz przykładowe zastosowanie w odniesieniu do danych „syntetycznych" i pochodzących z rzeczywistych pomiarów.%Representation of multidimensional data on 2D or 3D plane is a common task in pattern classification. However, the dimensionality reduction techniques can be applied whenever sophisticated measurement data have to be visualized. Principal Component Analysis (PCA) is a well known and widely applied method. Since it is a linear transform it suffers from certain limitations. Nonlinear PCA (NLPCA) enables overcoming these difficulties, in exchange for an ambiguity of the result. This paper discusses mentioned transformations and their implementations, including neural network based approaches. Two datasets are analyzed. Comparison of the results is followed by detailed discussion.
机译：平面或空间中多维数据的表示是图像识别中的常见问题。但是，只要需要可视化复杂的测量数据，就可以使用本领域中使用的方法。通常用于此目的的公认技术是主成分分析。因为它是线性变换，所以有很多限制。这种转换的非线性形式，即所谓的NLPCA允许您以一些不确定的结果为代价来绕过这些不便之处。该工作描述了上述转换，转换的实现（包括使用神经网络）以及与实际测量中的“合成”数据相关的应用示例。％在2D或3D平面上表示多维数据是一项常见的任务模式分类；但是，每当必须显示复杂的测量数据时，都可以应用降维技术；主成分分析（PCA）是一种广为人知且应用广泛的方法；由于它是线性变换，因此存在一定的局限性。 （NLPCA）可以克服这些困难，以换取结果的歧义，本文讨论了包括基于神经网络的方法在内的上述转换及其实现，分析了两个数据集，并对结果进行了比较详细的讨论。

著录项

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