.png){kind=icon}
返回
Nonlinear functional principal component analysis using neural networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jmva.2025.105526.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
函数主成分分析（FPCA）是函数数据分析（FDA）中降维的一种重要技术。经典FPCA方法基于Karhunen-Loève展开，该方法假设观测到的函数数据具有线性结构。然而，这一假设并非总能满足，当数据偏离线性假设时，FPCA方法可能变得低效。本文提出了一种基于神经网络的新型FPCA方法，适用于具有非线性结构的数据。我们构建了适用于函数数据的网络，并探索了相应的通用逼近性质。我们提出的非线性FPCA方法的主要用途是曲线重构。我们进行了一项模拟研究来评估该方法的表现。所提出的方法也被应用于一个真实数据集，以进一步证明其优越性。
Keyword:
Curve reconstruction
Functional principal component analysis
Neural network
Nonlinear dimension reduction
期刊
J
IF:
1.7
论文数:
99
被引数:
5.8K
机构
引用论文
分享收藏UNIFORM CONVERGENCE RATES FOR NONPARAMETRIC REGRESSION AND PRINCIPAL COMPONENT ANALYSIS IN FUNCTIONAL/LONGITUDINAL DATA函数/纵向数据中非参数回归和主成分分析的统一收敛速度.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏Multivariate Functional Principal Component Analysis for Data Observed on Different (Dimensional) Domains在不同 (维) 域上观察到的数据的多元功能主成分分析OAAI
OAAI分享收藏
查看更多内容