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。生成一个诊断图,并显示异常值。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。


zbMATH中的参考文献(参考文献67篇文章)

显示第1到第20个结果,共67个。
按年份排序(引用)
  1. 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)
  2. 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)
  3. 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)
  4. 三都、后世;Hino,Hideitsu:模态主成分分析(2020)
  5. 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)
  6. 白族、巨山;Ng,Serena:近似因子模型的秩正则化估计(2019)
  7. 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)
  8. 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)
  9. 雅各布,Raymakers;Rosseeuw,Peter:广义空间符号协方差矩阵(2019)
  10. 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)
  11. 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)
  12. 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)
  13. 赫里蒂埃,斯蒂芬妮;维多利亚·费瑟(Victoria Feser)、玛丽亚·皮亚(Maria Pia):讨论:“监测的力量:如何充分利用受污染的多变量样本”(2018年)
  14. 雅各布,Raymakers;罗素,彼得J。;Vranckx,Iwein:讨论:“监测的力量:如何充分利用受污染的多变量样本”(2018年)
  15. 布卢特,哈桑;厄纳,尤克塞尔:使用经典和稳健的主成分分析法评估土耳其发展机构地区的社会经济发展(2017年)
  16. 威尔科克斯,兰德:社会和行为科学的现代统计学。实用介绍(2017)
  17. Yoshida,Takuma:非线性曲面回归降维法(2017)
  18. 格雷科,卢卡;Farcomeni,Alessio:稀疏稳健主成分分析的插件方法(2016)
  19. 海伦,开玩笑;范梅克伦,依文;弗杜恩,菲利普;Ceulemans,Eva:KSC-N:分层时间剖面数据聚类(2016)
  20. 莫里斯,凯瑟琳;保罗拉斯麦克拉斯(Paul)和判别分析(dimension reduction,and Dimensional Controlution),2016年,保罗氏分类法(dimension reduction,and dimension Controlution,2016)