导读:本文包含了增量核论文开题报告文献综述及选题提纲参考文献，主要关键词:核鉴别分析,广义奇异值分解,增量核鉴别分析,基于广义奇异值分解的增量核鉴别分析
增量核论文文献综述
荆晓远,张永川,姚永芳,蓝超,李敏[1]（2011）在《基于广义奇异值分解的增量核鉴别分析》一文中研究指出核鉴别分析(KDA)已经被广泛应用于特征提取,然而由于矩阵奇异以及可伸缩性问题的存在,使得KDA的应用也有其局限性。为了解决以上两个问题,最近提出了基于广义奇异值分解的核鉴别分析(GSVD-KDA)以及增量线性鉴别分析(Incremental LDA)。在本文中,我们在上述工作的基础上,提出了基于广义奇异值分解的增量式核鉴别分析(GSVDIncremental KDA),通过增量学习来降低计算的复杂度,并使用广义奇异值分解(GSVD)解决计算中遇到的矩阵奇异性问题。我们将所提方法在理论上和其它的算法进行了比较,实验结果也证明了我们的方法在保持人脸识别效果不变的同时能够很好的降低计算的复杂度。(本文来源于《Applied Computing,Computer Science, and Computer Engineering（ACC 2011 V4）》期刊2011-07-16）
吴枫,仲妍,吴泉源[2]（2010）在《基于增量核主成分分析的数据流在线分类框架》一文中研究指出核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction,IKDR),该算法在每步迭代估计中只需线性内存开销,大大降低了复杂性.在IKDR的基础上,结合BP(Back propagation)神经网络提出了数据流在线分类框架:IKOCFrame(Online classificationframe based on IKDR).通过一系列真实和人工数据集上的实验,检验了IKDR算法的收敛性,并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.(本文来源于《自动化学报》期刊2010年04期）
梁吉业,魏巍,钱宇华[3]（2008）在《一种基于条件熵的增量核求解方法》一文中研究指出分析了增加新对象后,决策表的决策属性关于条件属性的条件熵变化原理.并在此基础上提出了一种新的增量核求解算法.该算法只需找到与新对象属性值相等的条件类和决策类就可以得到新的条件熵,进而求得决策表在信息观下的增量属性核.实例证明了该算法的有效性.(本文来源于《系统工程理论与实践》期刊2008年04期）
增量核论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction,IKDR),该算法在每步迭代估计中只需线性内存开销,大大降低了复杂性.在IKDR的基础上,结合BP(Back propagation)神经网络提出了数据流在线分类框架:IKOCFrame(Online classificationframe based on IKDR).通过一系列真实和人工数据集上的实验,检验了IKDR算法的收敛性,并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
增量核论文参考文献
[1].荆晓远,张永川,姚永芳,蓝超,李敏.基于广义奇异值分解的增量核鉴别分析[C].AppliedComputing,ComputerScience,andComputerEngineering（ACC2011V4）.2011
[2].吴枫,仲妍,吴泉源.基于增量核主成分分析的数据流在线分类框架[J].自动化学报.2010
[3].梁吉业,魏巍,钱宇华.一种基于条件熵的增量核求解方法[J].系统工程理论与实践.2008
标签：核鉴别分析; 广义奇异值分解; 增量核鉴别分析; 基于广义奇异值分解的增量核鉴别分析;