• 非线性的主要成分分析(NLPCA)通常被看作是一个非线性概括的标准的主要成分分析(PCA)。 它概括的主要组成部分，从直线曲线(非线性). 因此，在子空间的原始数据的空间，这是描述的所有非线性分也是弯曲的。

    非线性的常设仲裁法院可以通过使用神经网络与一个autoassociative建筑也被称为自编码器,,复制网络的瓶颈或沙漏类型的网络。 这样autoassociative神经网络是一个多层感知，执行标识映射的，意味着出的网络所需的是相同的输入。 然而，在中间的网络的一层，可以作为一个瓶颈，这一减少方面的数据强制执行。 这瓶颈层提供所需的组件价值(分数)。

    非线性的主要成分分析是一个简单的算法，使用这种非线性降维用脸部识别。 这种方式不需要任何可探测出的参考点，它可用于实时应用。

  • Nonlinear प्रधानाचार्य घटक विश्लेषण (NLPCA) आमतौर पर देखा के रूप में एक nonlinear सामान्यीकरण के मानक प्रधानाचार्य घटक विश्लेषण (पीसीए). यह generalizes प्रमुख घटकों से सीधे लाइनों के लिए घटता (nonlinear). इस प्रकार, subspace में मूल डेटा अंतरिक्ष वर्णन किया गया है जो सभी के द्वारा अरेखीय घटक भी घुमावदार है ।

    Nonlinear पीसीए द्वारा प्राप्त किया जा सकता का उपयोग कर एक तंत्रिका नेटवर्क के साथ एक autoassociative वास्तुकला रूप में भी जाना जाता autoencoder, रेप्लिकेटर नेटवर्क, टोंटी या sandglass प्रकार नेटवर्क है । इस तरह के autoassociative तंत्रिका नेटवर्क है एक बहु परत perceptron करता है कि एक पहचान मानचित्रण, जिसका अर्थ है कि उत्पादन के नेटवर्क की आवश्यकता है करने के लिए समान होना करने के लिए इनपुट है. हालांकि, बीच में नेटवर्क की एक परत है कि काम करता है के रूप में एक टोंटी में जो एक कमी के आयाम का डेटा लागू की जाती है. इस टोंटी-परत प्रदान करता है वांछित घटक मूल्यों (स्कोर).

    Nonlinear प्रमुख घटक विश्लेषण के लिए एक सरल कलन विधि का उपयोग करता है कि इस nonlinear dimensionality कमी के लिए चेहरा पहचान. इस दृष्टिकोण की आवश्यकता नहीं है का पता लगाने के किसी भी संदर्भ बिंदु है और इसे इस्तेमाल किया जा सकता है वास्तविक समय अनुप्रयोगों के लिए है ।

  • Nonlinear principal component analysis (NLPCA) is commonly seen as a nonlinear generalization of standard principal component analysis (PCA). It generalizes the principal components from straight lines to curves (nonlinear). Thus, the subspace in the original data space which is described by all nonlinear components is also curved.

    Nonlinear PCA can be achieved by using a neural network with an autoassociative architecture also known as autoencoder, replicator network, bottleneck or sandglass type network. Such autoassociative neural network is a multi-layer perceptron that performs an identity mapping, meaning that the output of the network is required to be identical to the input. However, in the middle of the network is a layer that works as a bottleneck in which a reduction of the dimension of the data is enforced. This bottleneck-layer provides the desired component values (scores).

    Nonlinear Principal Component Analysis is a simple algorithm that uses this nonlinear dimensionality reduction for face recognition. This approach does not require the detection of any reference point and it can be used for real-time applications.