一种鲁棒的概率主成分分析方法

穆向阳 1; 2; 张太镒 1; 周亚同 3

您当前的位置：

首页 >

文章列表页 >

一种鲁棒的概率主成分分析方法

专题研究 | 更新时间：2025-12-08

- 一种鲁棒的概率主成分分析方法
- A Robust Probability Principle Component Analysis Method
- 西安交通大学学报 2008年42卷第10期页码：1217-1220
- 作者机构：
  
  1. 西安交通大学电子与信息工程学院,西安,710049
  2. 西安石油大学电子工程学院,西安,710065
- 作者简介：
- 基金信息：
  
  : 2008-02-01. 作者简介: 穆向阳(1969- ),男,博士生;张太镒(联系人),男,教授,博士生导师. 基金项目: 国家高技术研究发展计划资助项目(2007AA06Z217)
- DOI：
  中图分类号： TP18
- 网络首发：2008-10-10，
  
  纸质出版：2008
- 稿件说明：
移动端阅览
穆向阳 1, 2, 张太镒 1, 等. 一种鲁棒的概率主成分分析方法[J]. 西安交通大学学报, 2008,42(10):1217-1220.

穆向阳 1, 2, 张太镒 1, et al. A Robust Probability Principle Component Analysis Method[J]. 2008, 42(10): 1217-1220.
穆向阳 1, 2, 张太镒 1, 等. 一种鲁棒的概率主成分分析方法[J]. 西安交通大学学报, 2008,42(10):1217-1220. DOI：

穆向阳 1, 2, 张太镒 1, et al. A Robust Probability Principle Component Analysis Method[J]. 2008, 42(10): 1217-1220. DOI：

摘要

针对传统主成分对实际样本的奇点不敏感的缺陷

提出了一种鲁棒概率主成分分析(RPPCA)方法.首先引入连续的决策变量构造新能量函数

将事先给定的硬门限改为自适应确定的软门限

门限值由样本自动确定

再计算概率主成分进行特征提取.与线性主成分分析(LPCA)和概率主成分分析(PPCA)方法相比

RPPCA方法更为实用

有效地减小了奇点的影响

显示出比PPCA更强的稳健性

也扩大了实用范围.实验结果表明

RPPCA方法的分类准确率比LPCA方法平均提高了3.2%

比PPCA方法平均提高了0.7%.

Abstract

In order to overcome the drawback that traditional principal component analysis fails to the outliers existing in the realistic data

a robust probability principal component analysis(RPPCA)method is proposed. A continuous decision variable is introduced into the energy function

and the preset hard threshold is replaced by a soft adaptive threshold which is automatically determined by the data. The algorithm is then embedded in the procedure of PPCA's principal component feature extraction. Compared with PCA and probability principal component analysis(PPCA)

the proposed RPPCA can resist outlier well

is more robust than PPCA

and enlarges the real application area.The simulation results show that the algorithm improves 3.2% classification accuracy to LPCA

and 0.7% to PPCA on average.

关键词

Keywords

references

TIPPING M E,BISHOP C M. Probabilistic principal component analysis [J]. J Roy Statist Soc, Series B,1999, 61(3): 611-622.

BISHOP C M. Latent variable models, learning in graphical models [M]. Jordan M I. Cambridge, MA, USA: MIT Press, 1999:371-403.

ZHAO Weixiang, CHEN Dezhao, HU Shangxu. Detection of outlier and a robust BP algorithm against outlier [J]. Computers Chemical Engineering, 2004, 28(8): 1403-1408.

BULLEN R J, CORNFORD D, NABNEY I T. Outlier detection in scatterometer data: neural network approaches [J]. Neural Networks, 2003, 16(3): 419-426.

XU Lei, YUILLE A L. Robust principal component analysis by self-organizing rules based on statistical physics approach [J]. IEEE Trans on Neural Networks, 1995, 6(1): 131-143.

GAVRILA D M, GIEBEL J. Shape-based pedestrian detection and tracking [C]∥ Proceedings of IEEE Intelligent Vehicle Symposium. Piscataway, NJ, USA:IEEE Press, 2002: 8-14.

Zhao L, Thorpe C E. Stereo and neural network-based pedestrian detection [J]. IEEE Trans on Intelligent Transportation Systems, 2000, 1(3): 148-154.

The MIT-CBCL Face Recognition Database [EB/OL].(2003-01-08)[2007-11-16].http:∥cbcl.mit.edu/software-datasets/heisele/facerecognition-database.html.

CRISTIANINI N, SHAWE-TAYLOR J. An introduction to support vector machines and other kernel-based learning methods [M]. Cambridge, England: Cambridge University Press, 2000.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

总体平均经验模式分解与1.5维谱方法的研究

冲击故障特征提取的非线性流形学习方法

利用非线性流形学习的轴承早期故障特征提取方法

复杂体制雷达辐射源信号时频原子特征提取方法

一种快速的零空间算法