将主成分分析(Principal Component Analysis,PCA)用于信号处理,并与奇异值分解(Singular Value Decomposition,SVD)方法比较。分析总结PCA及SVD信号处理原理,提出基于PCA的特征值差分谱理论用于信号消噪。结果表明,PCA与SVD的处理效果...将主成分分析(Principal Component Analysis,PCA)用于信号处理,并与奇异值分解(Singular Value Decomposition,SVD)方法比较。分析总结PCA及SVD信号处理原理,提出基于PCA的特征值差分谱理论用于信号消噪。结果表明,PCA与SVD的处理效果较相似,相似性原因为原始矩阵右奇异向量即为协方差矩阵特征向量。SVD较PCA的重构误差小,因SVD无需计算协方差矩阵,可避免舍入误差产生。展开更多
文摘将主成分分析(Principal Component Analysis,PCA)用于信号处理,并与奇异值分解(Singular Value Decomposition,SVD)方法比较。分析总结PCA及SVD信号处理原理,提出基于PCA的特征值差分谱理论用于信号消噪。结果表明,PCA与SVD的处理效果较相似,相似性原因为原始矩阵右奇异向量即为协方差矩阵特征向量。SVD较PCA的重构误差小,因SVD无需计算协方差矩阵,可避免舍入误差产生。
基金Projects(U1537202,51575305)supported by the National Natural Science Foundation of ChinaProject(61328302)supported by National Security Major Basic Research Program of China