（2）核主成分分析法特征提取理论 目前，核主分量分析（KPCA）是抽取原始样本的非线性特征非常有效的办法 ¨引，其与其它的特征提取方法不同之处就是它使用了核技巧。
基于214个网页-相关网页
...别分析，核主分量分析，核非线性鉴别分析， 变化光照人脸识别 [gap=4165]Key words】 Feature Extraction； FDA； Kernel PCA； Kernel NDA； Face Recognition under Varying Illumination；..
基于24个网页-相关网页
The kernel projection analysis, including the kernel principal component analysis (KPCA) and kernel Fisher discriminant analysis (KFDA), is an efficient nonlinear feature extraction method proposed by Scholkopf and Mike et al recently.
核投影分析，包括核主分量分析(KPCA)和核Fisher鉴别分析(KFDA)，是最近刚刚提出的非常有效的非线性特征抽取方法。
参考来源 - 基于核投影分析的特征抽取及应用研究So, it is need to discuss the robust of Kernel PCA.
因此,对核主分量分析的鲁棒性的讨论是很有必要的。
参考来源 - 自适应的鲁棒核主分量分析算法·2,447,543篇论文数据，部分数据来源于NoteExpress
应用推荐