QQ客服 官方微博 反馈留言

	PCA联合子空间理论的规范化与扩展; Theoretical Normalization and Generalization of PCA Joint Subspace Model
	徐斌 ; 马尽文
	2013
关键词	主成分分析(PCA) 贝叶斯分类 联合子空间 principle component analysis (PCA) Bayesian classification joint subspace
英文摘要	对于高维数据的分类,主成分分析(PCA)联合子空间可为每类数据建立更为细致的概率模型,从而可有效地提高贝叶斯分类的准确性.本文首先对PCA联合子空间理论进行了规范化,提出了两个基本假设,并从理论上证明了残差子空间参数“代表特征根”的启发式取值正是其极大似然估计.本文进一步对样本残差的概率模型进行了扩展,提出了扩展型逐类联合子空间算法.最后,本文通过在真实数据上实验结果证明了扩展型逐类联合子空间算法的优越性.; 国家自然科学基金项目61171138的资助; 中文核心期刊要目总览(PKU); 中国科技核心期刊(ISTIC); 中国科学引文数据库(CSCD); 0; 12; 1638-1643; 29
语种	中文
出处	万方 ; 知网 ; http://d.g.wanfangdata.com.cn/Periodical_xhcl201312007.aspx
出版者	信号处理
内容类型	其他
源URL	[http://hdl.handle.net/20.500.11897/12957]
专题	数学科学学院
推荐引用方式 GB/T 7714	徐斌,马尽文. PCA联合子空间理论的规范化与扩展, Theoretical Normalization and Generalization of PCA Joint Subspace Model. 2013-01-01.

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。