基于单片机简易机械式控制系统设计翻译.pdfVIP

采用最大方差的时,检查这些系数揭示信息通过PCA识别功能。

例如，第一主成分的系数，该区域主要由过零后。由于数据是

的最大在零交叉点,有人也许会认为,第一主成分类似于手选择:1。然

而,主成分相当复杂多了一些选择的特性,因为它们含有的贡献的所有

部分,包括后主成分分析法，即，这是一个众所周知的难题。

的难以解释每个主成分的意义。

解释的系数，但是，是没有必要进行分类的痕迹。使用第一

的三个主要组成部分，数据被分为两类权益。除了刺激分离的形状的

主要组成部分是不强烈依赖于其他变量，比如大小和速度。这是显而

易见的，从数据的散点图（图4-11）。唯一的数据云形成的对应的两

个不同的形状，这些云大致椭球的形式。也有没有密集的云，将对应

于其他变量的差异。和以前一样，以同样的方式决定的平方误差的总

和最小化的平面可以找到基于训练数据，错误分类概率的估计，可以

计算（图4-12）。使用主成分分析获得的特点，误判率是1.2％，这

是远远优于启发式选择功能获得9.8％的税率。

4.4.3讨论与比较

从主成分分析得到的功能做在认识到不同的横截面形状比启发

式选择的参数方面要出色得多，虽然它是稍微更难以实现与主成分分

类。启发式方法，分类涉及到定位的响应的三大特点。对于这些

功能必须计算斜率，但其他两个是两个对应的点处的。这些特性

的差异来自

图4-11：根据主成分的所有测试和传感器数据的散点图。

被发现使用只从一个传感器的数据的主成分的系数。在蓝色方

形截面的痕迹，和红色圆截面。黑色平面平分数字是平面

误差平方和最小化的决定。

如图4-12所示，在蓝色的直方图之间的距离决定平面是数

据从sduare的横截面和红色从图4-11中的横截面的圆中观察

到的平均为每个形状的痕迹。然后，一个新的压迹的分类

可以根据所定义的距离d，在该标志：

直方图归日期使用PCA

距离决定界限

MinSlope

d=w⋅+w⋅+w

210

MaxnewMax−Minnew

其中常数，来从图4-9中的方程决定线

w⋅Min+w⋅Slope+w=0.The为圆形的横截面，方形截面的

210

MaxMax−Min

距离将是正和负。这种方法的主要缺点似乎是紧密联系在一起

的便于计算。使用的功能进行分类的形状是非常本地化的数量，

因此容易受到噪音。需要低通滤波，以去除一些最严重的噪声

问题，它告诉这有效地向外扩散的数据点的数量用于计算特征。

主要组成部分的情况下，这种方法是完全相反，依