机器人PCA

ROBPCA:一种新的稳健主成分分析方法。提出了一种新的鲁棒主成分分析方法。经典的主成分分析是基于数据的经验协方差矩阵,因此对外围观测非常敏感。迄今为止,已经开发了两种强有力的方法。第一种方法基于鲁棒散射矩阵的特征向量,例如最小协方差行列式或S-估计,并且仅限于相对低维数据。第二种方法基于投影寻踪,可以处理高维数据。在这里,我们提出了ROBPCA方法,它将投影寻踪思想与鲁棒散射矩阵估计相结合。ROBPCA对未污染数据集产生更准确的估计,对污染数据产生更稳健的估计。ROBPCA可以快速计算,并且能够检测出精确的拟合情况。作为一个副产品,ROBPCA产生一个诊断图,显示并分类异常值。我们将该算法应用于化学计量学和工程学中的几个数据集。


参考文献中的数学77条)

显示第1到第20个结果,共77个。
按年份排序(引用)
  1. 马朱姆达尔,苏哈布拉塔;Chatterjee,Snigdhansu:关于加权多元符号函数(2022)
  2. 德布拉班特,克里斯;De Brabanter,Jos:核估计量重加权的鲁棒性:综述(2021)
  3. 德索萨,J。;赫伦,K。;法切维科娃,K。;Filzmoser,P.:成分表的稳健主成分分析(2021年)
  4. 厄纳,尤克塞尔;Bulut,Hasan:稳健的EM聚类方法:ROBEM(2021)
  5. 布特,克里斯;罗素,彼得J。;范德费尔,史蒂文;Verdonck,Tim:最小正则协方差行列式估计量(2020)
  6. Bulut,Hasan:基于最小正则化协方差行列式估计的高维数据马氏距离(2020)
  7. 卡波佐,安德烈;格雷塞林,弗朗西丝卡;Murphy,Thomas Brendan:鲁棒半监督学习的异常和新颖性检测(2020)
  8. 林,小海;Yoshida,Yuichi:测试与子空间的接近性:恒定时间内的近似(\ell\infty)最小化(2020)
  9. 潘达文,戴维;雷米,朱利安;Verdebout,Thomas:弱可识别性下的主成分方向测试(2020)
  10. 三都、后世;Hino,Hideitsu:模态主成分分析(2020)
  11. 阿古斯蒂内利,克劳迪奥;Greco,Luca:多变量位置和散布的加权似然估计(2019)
  12. 白族、巨山;Ng,Serena:近似因子模型的秩正则化估计(2019)
  13. 塞瓦洛斯·瓦尔迪维耶佐,霍尔格;Van Aelst,Stefan:鲁棒子空间估计量的快速计算(2019)
  14. 德布鲁恩,米切尔;赫普纳,塞巴斯蒂安;瑟尼尔斯,斯文;对外:哪些变量贡献最大?(2019年)
  15. 基尔施泰因。;利布彻,斯特芬:评估足球运动员的市场价值——对德国1级和2级德甲联赛(2019年)数据的稳健分析
  16. 雅各布,Raymakers;Rosseeuw,Peter:广义空间符号协方差矩阵(2019)
  17. 阿尔拉瓦什德,穆fda Jameel;拉德旺,塔哈拉德旺;Abunawas,Kalid Abunawas:使用不同稳健方法进行线性判别分析(2018)
  18. 阿基姆巴德,奥罗尔;诺德豪森,克劳斯;Ruiz Gazen,Anne:多变量异常值检测的ICS及其在质量控制中的应用(2018)
  19. 贝尔西马斯,迪米特里斯;Copenhaver,Martin S.:线性回归和矩阵回归中鲁棒化和正则化等价性的表征(2018)
  20. 迪帕尔马,文学硕士。;菲尔兹莫瑟。;加仑,M。;Hron,K.:成分数据的稳健Parafac模型(2018)