.png){kind=icon}
返回
Functional classwise principal component analysis: a classification framework for functional data analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-022-00898-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，函数数据分析已在高维数据分类领域获得成功应用。本文提出了一种基于函数数据和类内主成分分析（PCA）的分类框架。我们提出的方法可用于典型存在小样本问题的多维时间序列数据。该方法提取分段线性函数特征空间，特别适用于硬分类问题。所提出的框架将时间序列数据转换为函数数据，并使用类内函数PCA进行特征提取，随后采用贝叶斯线性分类器进行分类。我们通过将其应用于包括但不限于神经科学、食品科学、医学科学和化学计量学等不同领域的合成数据集和真实时间序列数据，展示了所提出方法的有效性。
Keyword:
Classification
Functional data analysis
Functional principal component analysis
Classwise principal component analysis
Gram–Schmidt orthogonalization
期刊
IF:
4.3
论文数:
210
被引数:
6.0K
机构
引用论文
ROCKET: exceptionally fast and accurate time series classification using random convolutional kernels火箭: 使用随机卷积核的异常快速和准确的时间序列分类
OAAI
OAAI分享收藏HIVE-COTE 2.0: a new meta ensemble for time series classificationHive-cote 2.0: 一种新的时间序列分类元集成.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Early lateralization and orientation tuning for face, word, and object processing in the visual cortexNeuroImage
NeuroImageIF0
PREAI
分享收藏Time-Series Classification with COTE: The Collective of Transformation-Based EnsemblesCOTE的时间序列分类: 基于变换的集合OAAI
OAAI分享收藏Improved system for object detection and star/galaxy classification via local subspace analysisNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容