基于核函数的PCA在QAR数据分析中的应用

doi:10.3778/j.issn.1002-8331.2009.14.064

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (14): 207-209.DOI: 10.3778/j.issn.1002-8331.2009.14.064

基于核函数的PCA在QAR数据分析中的应用

冯兴杰,冯小荣,王艳华

中国民航大学计算机科学与技术学院，天津 300300

收稿日期:2008-03-17 修回日期:2008-06-10 出版日期:2009-05-11 发布日期:2009-05-11
通讯作者: 冯兴杰

Application of PCA based on kernel function in analysis of QAR data

FENG Xing-jie,FENG Xiao-rong,WANG Yan-hua

School of Computer Science & Technology，Civil Aviation University of China，Tianjin 300300，China

Received:2008-03-17 Revised:2008-06-10 Online:2009-05-11 Published:2009-05-11
Contact: FENG Xing-jie

摘要/Abstract

摘要： 分析了传统的主成分分析方法的不足，论述了KPCA方法及其时间复杂度高的缺陷。在此基础上，提出基于核函数构造的协方差矩阵的主成分分析，相比 KPCA，该方法具有快的降维速度。实验结果显示：把该方法用于QAR数据具有良好的降维效果和高分类正确率。

关键词: 主成分分析, 核函数, 核主成分分析, 协方差矩阵

Abstract: This paper analyzes the drawbacks of general Principal Component Analysis（PCA） firstly，and discusses the Kernel Principal Component Analysis（KPCA） and its drawbacks of high time complexity secondly.Then proposes the kernel function covariance matrix of principal component analysis in the end.Compared to KPCA，the method is fast descending dimension speed.The results show that the proposed method used for QAR data has a good effect of dimension reduction and high rate of correct classification.

Key words: Principal Component Analysis（PCA）, kernel function, Kernel Principal Component Analysis（KPCA）, covariance matrix

冯兴杰,冯小荣,王艳华. 基于核函数的PCA在QAR数据分析中的应用[J]. 计算机工程与应用, 2009, 45(14): 207-209.

FENG Xing-jie,FENG Xiao-rong,WANG Yan-hua. Application of PCA based on kernel function in analysis of QAR data[J]. Computer Engineering and Applications, 2009, 45(14): 207-209.

[1]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[2]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[3]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[4]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[5]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[6]	谢艺菲，卢琪，刘鑫，胡亚豪，潘志松，陈浩. 基于图的多层次注意力事实验证算法[J]. 计算机工程与应用, 2021, 57(10): 146-153.
[7]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[8]	王杰，黄丽霞，张雪英. 改进DSB方法的语音信号多声源定位[J]. 计算机工程与应用, 2021, 57(1): 173-180.
[9]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[10]	邱宁佳，王晓霞，王鹏，周思丞，王艳春. 结合迁移学习模型的卷积神经网络算法研究[J]. 计算机工程与应用, 2020, 56(5): 43-48.
[11]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[12]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[13]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[14]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[15]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.

基于核函数的PCA在QAR数据分析中的应用

Application of PCA based on kernel function in analysis of QAR data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics