主成分分析法与核主成分分析法在机械噪声数据降维中的应用比较

被引：39

作者：

梁胜杰

张志华

崔立林

机构：

[1] 海军工程大学

来源：

中国机械工程 | 2011年 / 22卷 / 01期

关键词：

主成分分析法; 核主成分分析法; 核函数; 神经网络; 支持向量机; 机械噪声; 降维;

D O I：

暂无

中图分类号：

TB533.1 [];

学科分类号：

083002 ; 120402 ;

摘要：

依据线性降维与非线性降维的分类原则,分别选择主成分分析法和核主成分分析法对某双层圆柱壳体在不同工况下的机械噪声数据进行降维;然后使用神经网络和支持向量机两种方法分别计算噪声数据在降维前后的正确识别率,以比较不同降维方法的降维效果,从而确定适合于某双层圆柱壳体机械噪声数据的降维方法。

引用

页码：80 / 83

页数：4

共 7 条

[1] 基于SVM和NN的空管手写符号的识别研究 [J].

鲁书贤 ;

刘正熙 ;

刘显宾 ;

刘林 .

四川大学学报(自然科学版), 2008, (04) :790-794

[2] 高维索引机制中的降维方法综述 [J].

吴玲达 ;

贺玲 ;

蔡益朝 .

计算机应用研究, 2006, (12) :4-7

[3] 基于PCA和KPCA特征抽取的SVM网络入侵检测方法 [J].

高海华 ;

杨辉华 ;

王行愚 .

华东理工大学学报(自然科学版), 2006, (03) :321-326

[4]

人工神经网络技术及其应用.[M].王洪元;史国栋主编;.中国石化出版社.2002,

[5] Kernel PCA for feature extraction and de-noising in nonlinear regression [J].

Rosipal, R ;

Girolami, M ;

Trejo, LJ ;

Cichocki, A .

NEURAL COMPUTING & APPLICATIONS, 2001, 10 (03) :231-243

[6] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[7] Nonlinear component analysis as a kernel eigenvalue problem [J].

Scholkopf, B ;

Smola, A ;

Muller, KR .

NEURAL COMPUTATION, 1998, 10 (05) :1299-1319

← 1 →