在KEMLLR，说话者相关的MLLR变换矩阵被映射到一个内核诱导的高维特征空间，核主成分分析（KPCA）是用来推导出在特征空间中的一组特征矩阵。甲然后领先的特征矩阵的线性组合表示的新的说话者。
基于260个网页-相关网页
This paper points out the drawbacks of the general principal component analysis(PCA) when it is used to solve nonlinear problem firstly. The kernel principal component analysis(KPCA) and its drawbacks on computing are explained secondly.
本文分析了一般主成分分析在处理非线性问题上的不足,阐述了核主成分分析方法及其计算速度的缺陷,提出了基于聚类的核主成分分析方法。
参考来源 - 基于聚类的核主成分分析在特征提取中的应用 in CThis model constructs two feature extractors based on Kernel Principle Component Analysis(KPCA) and Kernel Independent Component Analysis(KICA), and uses a novel ensemble approach to learn the results produced by the extractors.
该模型分别构造基于核主成分分析(KPCA)和核独立成分分析(KICA)的特征提取器，并采用集成学习对特征提取结果进行整合学习。
参考来源 - 基于分布式集成学习的入侵检测模型·2,447,543篇论文数据，部分数据来源于NoteExpress
基于OR L人脸库，识别核主成分分析提取出的主成分的相关性系数。
Based on ORL face database, recognizes correlation coefficients of principal component extracted by KPCA.
本文的主要工作是将支持向量机(SVM)及核主成分分析(KPCA)应用到入侵检测技术中。
The dissertation mainly aims at applying support vector machine (SVM) and kernel principal component analysis (KPCA) to intrusion detection.
通过实验比对可知该算法效果在特征提取和分类方面均优于传统核主成分分析法以及最近邻分类器。
The experimental comparisons show that this algorithm outperforms traditional KPCA and K-Nearest Neighbor classifier on both feature extraction and classification.
应用推荐