搜索资源列表
kpca_toy
- 基于kernel pca的非线性降维算法，原文发表于神经计算杂志上，有兴趣者可以先看论文。-PCA-based kernel of nonlinear reduced dimension algorithm, the original published in the Journal of neural computation, those interested can read papers.
r43
- 鲁棒控制器设计，由于RBF网络可以实现任意逼近的非线性关系，它的目标是要做到误差平方和最小，与非线性PCA的目标一致，所以上述非线性PCA的模型可以通过采用两个RBF网络来实现非线性正变换 和反变换 。RBF网络是一个三层前馈网络，隐层采用径向基函数作为激励函数。第一个RBF网络把高维空间的数据映射到低维空间（如图4），第二个RBF网络将前面网络输出的低维空间数据再映射到高维空间，实现数据恢复(如图5)。这两个网络分别进行训练。-robust controller design, as RBF
PCA_NN
- PCA（主成分分析）算法被广泛应用于工程和科学研究中，本报告主要从PCA的基本结构和基本原理对其进行研究，常规的PCA算法主要采用线性算法，通过研究论证发现线性的PCA算法存在着许多不足，比如线性PCA算法不能从线性组合中把独立信号成分分离出来，主分量只由数据的二阶统计量—自相关阵确定，这种二阶统计量只能描述平稳的高斯分布等，因此必须对其进行改进，经改进后的PCA算法有非线性PCA算法、鲁棒算法等。我们通过PCA算法在直线（平面）中拟和的例子说明了PCA在工程中的应用。本例子采用的是成分分析中的
mani.rar
- 一个集成了8种降维方法的GUI（包括常见的PCA、LLE、isomap、HLLE等线性与非线性将为方法）,An integrated eight kinds of dimensionality reduction methods GUI (including common PCA, LLE, isomap, HLLE, etc. will be linear and nonlinear methods)
lab432.rar
- 主成分分析和偏最小二乘SquaresPrincipal成分分析（ PCA ）和偏最小二乘（ PLS ） ，广泛应用于工具。此代码是为了显示他们的关系，通过非线性迭代偏最小二乘（ NIPALS ）算法。 ,Principal Component Analysis and Partial Least SquaresPrincipal Component Analysis (PCA) and Partial Least Squares (PLS) are widely used tools. Thi
NLCPCA
- nonlinear pca的具体实现代码-nonlinear pca concrete realization of the code
pca
- 非线性降维方法 可以应用于高维数据的机器学习-Nonlinear dimensionality reduction methods can be applied to high-dimensional data, machine learning
FaceDetection_Based_on_a_New_Nonlinear_Color_Space
- 提出一种新的非线性变换的彩色空间 ″″, 利用次高斯概率分布函数拟合皮肤色度信息, 得到候选区 YC C r b 域。为了排除候选区域中的非人脸, 首先根据均值和方差信息分割出候选区域中的纹理特征信息, 再通过多尺度 ) ( 信息定位眼睛, 然后根据人脸特征的几 形态边缘检测算子检测候选区域的边缘, 利用 边缘方向 PCA PCAED ( ) 何形状信息定位其他特征 鼻、嘴 , 通过这些几何特征信息对肤色分割得到的候选区域进行验证, 最终得到正确 的人
toolbox_dimreduc
- This toolbox is an educational and recreative toolbox around recent ideas in the field of dimension reduction. * PCA : classical Principal Componnent Analysis (linear projection). * Nonlinear dimensionality reduction by locally linear embedding
ICA_algorithms_based_on_different_objective_functi
- 一共包含了5个ICA的算法，其中： fastica.m文件中的ICA算法是基于负熵的； m_fastica.m文件中的ICA算法是基于负熵的改进算法； fastica_kurt.m文件中的ICA算法是基于峭度的； fastica_ML.m文件中的ICA算法是基于互信息的； NLPCA.m文件中的ICA算法是基于非线性PCA的。-Contains a total of five ICA algorithm, in which: fastica.m file in the ICA
kpca_origin
- Kernel PCA toy example Nonlinear component analysis as a kernel Eigenvalue problem
five
- 1.BP神经网络进行模式识别 2.用BP网络对非线性系统进行辨识 3.一个神经网络PID控制器 4.图像处理的PCA算法 5.图像处理的穷举算法-1.BP neural network pattern recognition 2. Using BP network identification of nonlinear systems 3. A neural network PID controller 4. The PCA algorithm for image process
KPCA
- KPCA是一种基于核的主要成分分析，是一种由线性到非线性之间的桥梁。通过非线性函数把输入空间映射到高维空间，在特征空间中间型数据处理，引入核函数，把非线性变换后的特征空间内积运算转换为原始空间的核函数计算。 基本思想是通过某种隐士方法将输入空间映射到某个高维空间（特征空间），并在特征空间实现PCA。对该算法进行了详细的说明-KPCA is a kernel-based principal components analysis, is a bridge between the linear
kPCA_v2.0
- Principal component analysis (PCA) is a popular tool for linear dimensionality reduction and feature extraction. Kernel PCA is the nonlinear form of PCA, which is promising in exposing the more complicated correlation between original high-dimensiona
NLKPCA
- 这是外国人实现的非线性主成份分析，可下载相应的文章，可用来降维！-Applies the kernel method to unsupervised algorithms as for instance Principal Component Analysis. This gives a principled and efficient approach to nonlinear PCA
Test-kpca-pca
- test an exemple of nonlinear system using kpca and pca
nlpcafaceprot
- FACE RECOGNITION BASED ON NONLINEAR PCA In order to obtain the complete source code for FACE RECOGNITION BASED ON NONLINEAR PCA-FACE RECOGNITION BASED ON NONLINEAR PCA In order to obtain the complete source code for FACE RECOGNITIO
NLCPCA
- 非线性pca，基于核的pca,并配有相关图形，非常适合学生等入门级别的开发者-Nonlinear pca, based nuclear pca, and with related graphics, very suitable for students and other entry-level developers
Nonlinear PCA toolbox for MATLAB
- 压缩文件夹中主要包含用于非线性主成分分析的程序(Nonlinear PCA toolbox for MATLAB)
function_kpca
- 使用核函数，在matlab环境下实现非线性主成分分析(Using kernel function to realize nonlinear principal component analysis in Matlab environment.)