共查询到18条相似文献，搜索用时 390 毫秒
1.
胡煜 《海南广播电视大学学报》2007,8(4):96-98
文章主要采用主分量分析法和线性判别分析(LDA)有监督分类的方法来对基因芯片(微阵列)数据进行分析。PCA是一种提取海量的数据有效特征的有效方法。仅可以获得与原来基因芯片数据更为接近的成分的提取特征的效果。结果表明采用PCA方法事先对数据处理不可以提高基因芯片数据分析的准确性。 相似文献
2.
胡煜 《广东技术师范学院学报》2008,(6)
本文主要采用两种降维的方法和k-近邻法(KNN)有监督分类的方法来对基因芯片(微阵列)数据进行分析。PCA,PLS是一种提取海量的数据有效特征的有效方法,可以获得与原来基因芯片数据更为接近的成分的提取特征的效果。比较PCA降维方法和PLS降维方法对KNN统计判别分类的效果。 相似文献
3.
胡煜 《鞍山师范学院学报》2007,9(4):20-24
主要用偏最小二乘(PLS)方法和二次判别分析(QDA)有监督分类的方法来对基因芯片(微阵列)数据进行分析.PLS是一种提取海量的数据有效特征的有效方法,可以获得与原来基因芯片数据更为接近的成分的提取特征的效果.结果表明用PLS方法事先对数据处理可以提高基因芯片数据分析的准确性. 相似文献
4.
把主分量分析(PCA)方法和自组织特征映射网络(SOM)相结合,应用到基因数据聚类分析中。首先对基因数据集进行PCA分析,提取出少量的特征主分量,再对数据集进行降维。这些主分量基本上可以反映原数据集的综合信息,然后应用SOM网络对得到的特征分量进行聚类分析,把相似的基因划分到一个区域。实验结果表明,与单一地选用SOM网络进行聚类分析相比,该方法有较高的分类正确率及较为清晰的分类边界,是一种非常有效的聚类分析方法。 相似文献
5.
《东南大学学报》2019,(4)
为了提高滚动轴承性能退化评估中退化指标的早期故障敏感性和稳定性,提出了一种基于嵌入选择的邻域保持嵌入(ESNPE)方法.首先,采用变分模态分解(VMD)对获得的振动信号进行分解,提取各本征模态分量的奇异值和相对能量等组成高维故障特征集.然后,采用NPE流行学习方法提取特征空间内的嵌入特征.针对传统NPE存在有效嵌入信息容易被抑制的问题,构建了一种基于Spearman相关系数的嵌入选择策略.该策略通过相关系数的大小衡量嵌入特征的有效性,并通过一阶差分的方法在轴承退化的早期阶段确定并保留有效嵌入特征.最后,采用支持向量数据描述(SVDD)模型构建性能退化指标,实现轴承性能退化评估.使用轴承全寿命退化实验数据,并与传统的主成分分析(PCA)方法和NPE方法特征提取分析结果进行对比,验证了所提方法在提升退化指标早期故障敏感性和稳定性方面具有优越性. 相似文献
6.
改进的人脸识别主分量分析算法 总被引：3，自引：0，他引：3
在应用于人脸识别领域的主分量分析(PCA)算法中,为了降低与外界光照变化相关的特征向量对提取特征的影响,提出了一种改进的主分量分析(MPCA)算法,利用相对应的标准方差对提取的特征矢量元素进行归一化处理.采用耶鲁大学的2个人脸数据库(Yale face database和Yaleface database B)进行了验证,实验结果表明,对于正面人脸和具有小角度姿态变化情况下的人脸,提出方法的性能优于传统的PCA和LDA(线性判别分析)算法,而运算量和PCA算法相同,大大低于LDA算法. 相似文献
7.
基因表达谱的肿瘤类型的准确判断对当前生物信息学的研究有重大意义.基因表达谱存在样本少、维数高、冗余基因和噪音多等特点,对癌症特征基因的提取方法的研究具有重要的意义.以结肠癌肿瘤基因表达谱数据作为研究对象,提出了结合使用基因选择和数据抽取的有效方法,剔除无关基因选出候选特征集,结合PCA(主元分析)获取低维投影空间中的模式特征,根据各个基因贡献率大小排序选取贡献率大的基因作为特征基因,进而利用支持向量机进行分类检测. 相似文献
8.
针对人脸识别中人脸图像的特征提取问题,提出了一种将全局特征与局部特征相融合的人脸识别方法.全局特征的提取采用主成分分析算法.主动外观模型定位58个特征点,在其中17个特征点处进行Gabor小波变换则可提取局部特征.归一化的全局匹配度(局部匹配度)可由测试图像和训练图像的全局特征(局部特征)得到.对归一化的全局匹配度和局部匹配度进行融合后,融合匹配度最大的训练图像所属的类即为识别结果.实验利用2个人脸图像数据库(AR和SJTU-IP-PR)测试该方法的识别率,结果表明该方法要优于PCA和EBGM,并且在一定的表情、光照和姿态变化的条件下是有效、稳健的. 相似文献
9.
提出了主成分分析(PCA)和局部线性嵌入降维方法(LLE)组合的优化RBF神经网络降水预测模型,首先利用主成分分析(PCA)和局部线性嵌入降维方法(LLE)组合对众多气象物理因子降维提取有效因子,再将这些综合有效因子组成的特征空间矩阵作为优化的RBF神经网络的输入矩阵,从而建立网络模型.以此对广西5月三个不同区域平均日降水量进行预报实验,结果表明,该模型具有较好的收敛效果和泛化能力,在预报性能上明显优于同期的T213降水预报、PCA预报、LLE预报,预报稳定性好,预报准确率较高,具有一定的普遍适用性. 相似文献
10.
《赤峰学院学报(自然科学版)》2016,(18)
文章通过传统的小波变换和张量主成分分析(PCA)方法对人脸图像进行特征提取,然后研究了一类引入学习过程的新遗传算法.通过改进的遗传算法对PCA提取的特征进一步的优化,最后根据最优特征进行识别,并将之与简单遗传算法和自适应遗传算法进行比较,证明了改进的遗传算法的优越性. 相似文献
11.
Attribute reduction is necessary in decision making system. Selecting right attribute reduction method is more important. This paper studies the reduction effects of principal components analysis （PCA） and system reconstruction analysis , SRA） on coronary heart disease data. The data set contains 1723 records, and 71 attributes in each record. PCA and SRA are used to reduce attributes number （less than 71 ） in the data set. And then decision tree algorithms. C4.5, classification and regression tree （ CART）, and chi-square automatic interaction detector （ CHAID ）, are adopted to analyze the raw data and attribute reduced data. The parameters of decision tree algorithms, including internal node number, maximum tree depth, leaves number, and correction rate are analyzed. The result indicates that. PCA and SRA data can complete attribute reduction work. and the decision-making rate on the reduced data is quicker than that on the raw data： the reduction effect of PCA is better than that of SRA. while the attribute assertion of SRA is better than that of PCA. PCA and SRA methods exhibit good performance in selecting and reducing attributes. 相似文献
12.
胡煜 《广东技术师范学院学报》2010,(9)
所统计分析的数据集是前列腺癌基因数据集.采用分片逆回归方法和线性判别分析(LDA),二次判别分析(QDA).对基因芯片(微阵列)数据进行分析.用SIR降维,用LDA和QDA分类.讨论分片逆回归方法和二种方法对基因样本进行分类的效果. 相似文献
13.
Keith F. Widaman 《Structural equation modeling》2018,25(6):829-847
Common factor analysis (FA) and principal component analysis (PCA) are commonly used to obtain lower-dimensional representations of matrices of correlations among manifest variables. Whereas some experts argue that differences in results from use of FA and PCA are small and relatively unimportant in empirical studies, the fundamental rationales for the two methods are very different. Here, FA and PCA are contrasted on four key issues: the range of possible dimensional loadings, the range of potential correlations among dimensions, the structure of residual covariances and correlations, and the relation between population parameters and the correlational structures with which they are associated. For decades, experts have emphasized indeterminacies of the FA model, particularly indeterminacy of common factor scores. Determinate in most respects, a heretofore unacknowledged, pernicious indeterminacy of PCA is demonstrated: the indeterminacy between PCA structural representations and the correlational structures from which they are derived. Researchers are often advised to use either FA or PCA in exploratory rounds of data analysis to understand and refine the dimensional structure of a domain before moving to Structural Equation Modeling in later theory-testing, confirmatory, replication studies. Results from the current study suggest that PCA is an unreliable method to use for such purposes and may lead to serious misrepresentation of the structure of a domain. Hence, PCA should never be used if the goal is to understand and represent the latent structure of a domain; only FA techniques should be used for this purpose, as only FA provides reliable structural representations as the basis for confirmatory tests in future studies. 相似文献
14.
The eigenface method that uses principal component analysis （PCA） has been the standard and popular method used in face recognition. This paper presents a PCA - memetic algorithm （PCA-MA） approach for feature selection. PCA has been extended by MAs where the former was used for feature extraction/dimensionality reduction and the latter exploited for feature selection. Simulations were performed over ORL and YaleB face databases using Euclidean norm as the classifier. It was found that as far as the recognition rate is concerned, PCA-MA completely outperforms the eigenface method. We compared the performance of PCA extended with genetic algorithm （PCA-GA） with our proposed PCA-MA method. The results also clearly established the supremacy of the PCA-MA method over the PCA-GA method. We further extended linear discriminant analysis （LDA） and kernel principal component analysis （KPCA） approaches with the MA and observed significant improvement in recognition rate with fewer features. This paper also compares the performance of PCA-MA, LDA-MA and KPCA-MA approaches. 相似文献
15.
统计过程控制是过程监控与故障诊断的方法。在多变量统计过程控制中,传统的方法主要包括主元分析和偏最小二乘,这些方法存在着诸多缺陷。设计时可以应用非线性主元分析、非线性偏最小二乘、动态主元分析、自适应主元分析、多尺度主元分析等方法进行改进。研究中要重视带噪声的监控模型、过程模型信息与经验知识相结合等问题,同时可以把一些新的降维技术用于统计过程控制中。 相似文献
16.
基因调控网络数据分析方法研究 总被引：1，自引：0，他引：1
DNA微阵列技术获得了大量的基因表达数据，为基因调控网络的研究提供了技术支持，基因表达数据分析成为目前生物信息学研究的热点和重点。利用教学模型和人工智能技术，研究分析基因表达数据之间的关系，构建合适的基因调控网络模型来模拟生物系统的行为，从中发现生物学规律，进而认识生命现象的本质，成为了生物信息学研究的重要内容。本文介绍了基因调控网络构建中常用的基因表达数据分析方法以及最新的研究进展。 相似文献
17.
基于主分量分析的数字水印 总被引：7，自引：0，他引：7
王朔中 《上海大学学报(英文版)》2000,4(1):22-26
1 Ｉｎｔｒｏｄｕｃｔｉｏｎ Ｗｉｔｈｔｈｅｒａｐｉｄｄｅｖｅｌｏｐｍｅｎｔｏｆｃｏｍｐｕｔｅｒｎｅｔｗｏｒｋａｎｄｍｕｌｔｉｍｅｄｉａｔｅｃｈｎｏｌｏｇｙ,ｄｉｓｓｅｍｉｎａｔｉｏｎｏｆｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｆｏｒｍｓｏｆａｕｄｉｏ,ｖｉｄｅｏａｎｄｓｔｉｌｌｉｍａｇｅｈａｓｂｅｃｏｍｅｗｉｄｅｓｐｒｅａｄ.Ｔｈｅｐｒｏｂｌｅｍｏｆｄａｔａｐｉｒａｃｙａｎｄｃｏｐｙｒｉｇｈｔｂｒｅａｃｈｉｓａｍａｊｏｒｃｏｎｃｅｒｎｗｈｅｎｉｎｆｏｒｍａｔｉｏｎｉｓｔｒａｎｓｍｉｔｔｅｄｏｖｅｒｎｅｔｗ… 相似文献
18.
基于核独立成分分析的静息态fMRI数据研究（英文） 总被引：1，自引：0，他引：1
为了方便提取静息态默认网络,降低功能核磁共振（fMRI）数据复杂度,克服独立成分分析只适合于源信号线性混合的限制,提出了特征降维和非线性变换的框架.首先采用主成分分析对fMRI信号的时间维度进行降维,将原始维度为153 594×128的fMRI数据降至153 594×5,以达到降低计算复杂度的目的,并保留95%的信息成分.然后利用基于高斯核的非线性独立成分分析即核独立成分分析来分析静息态fMRI数据并提取默认网络.实验结果表明,在分析静息态fMRI数据的过程中,核独立成分分析不仅能准确提取默认网络,而且降低了噪声,所得到的结果优于普通独立成分分析. 相似文献