线性判别论文_孙小丹,陈文

导读:本文包含了线性判别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:线性,特征,矩阵,邻域,函数,分解,局部。

线性判别论文文献综述

孙小丹,陈文^[1]（2019）在《基于局部离散度的监督型线性判别分析及其应用》一文中研究指出鉴于线性判别分析(Linear Discriminant Analysis,LDA)算法存在的弊端,本文提出了一种基于局部离散度的监督型线性判别分析(Supervised Linear Discriminant Analysis based on Local Dispersion,SLDALD)算法.新方法的改进主要有:1)从像元邻域的角度出发,对类内散布矩阵、类间散布矩阵进行重新定义,得到类内邻域散布矩阵和类间邻域散布矩阵.新定义充分考虑了不同区域之间像元光谱特征离散度的差异性; 2)在计算类间邻域散布矩阵时,赋予类边界像元较大的权重,让特征降维更针对此类像元; 3)在计算类内邻域散布矩阵时,加大类边界像元的权重,让后续的特征降维针对此类像元.同时,降低噪声点的权重,以抑制噪声点对特征降维的干扰.实验结果表明:相比依据LDA算法所获得的低维特征的分类结果,以SLDALD算法所获得的低维特征为依据,影像分类精度得到明显地提高.(本文来源于《绵阳师范学院学报》期刊2019年11期）

高全力,高岭,石美红,朱欣娟,陈锐^[2]（2019）在《多特征的核线性判别分析推荐方法》一文中研究指出为提高在非线性可分数据上的推荐质量,采用基于核函数的多特征线性判别分析建立推荐模型.基于多维特征数据,采用非线性映射转换到高维特征空间,通过构建基于核的映射函数,将特征映像转换为内积空间的特征子集,最终建立基于核函数的多特征线性判别分析的分类准则,对于用户喜好的物品进行分类判别并生成推荐.实验结果表明:在20%、40%、60%、80%的数据作为训练集,其余为测试集的实验条件下,随着推荐列表长度|R|的增加,推荐准确率呈现先升后降的趋势,在25≤|R|≤35区间内,能够取得最优的平均绝对误差0.34.所提方法与现有方法相比准确率平均提升18.01%,多样性平均提升42.29%,而所用时间开销仅增加6.21%.对历史偏好数据进行特征映射,有助于提高推荐准确率与多样性.(本文来源于《东南大学学报(自然科学版)》期刊2019年05期）

叶学义,罗宵晗,王鹏,陈慧云^[3]（2019）在《基于非凸低秩分解判别的迭加线性稀疏人脸识别》一文中研究指出目的针对因采集的人脸图像样本受到污染而严重干扰人脸识别及训练样本较少(小样本)时会由于错误的稀疏系数导致性能急剧下降从而影响人脸识别的问题,提出了一种基于判别性非凸低秩矩阵分解的迭加线性稀疏表示算法。方法首先由γ范数取代传统核范数,克服了传统低秩矩阵分解方法求解核范数时因矩阵奇异值倍数缩放导致的识别误差问题;然后引入结构不相干判别项,以增加不同类低秩字典间的非相干性,达到抑制类内变化和去除类间相关性的目的;最后利用迭加线性稀疏表示方法完成分类。结果所提算法在AR人脸库中的识别率达到了98. 67±0. 57%,高于SRC(sparse representation-based classification)、ESRC(extended SRC)、RPCA(robust principal component analysis)+SRC、LRSI (low rank matrix decomposition with structural incoherence)、SLRC (superposed linear representation based classification)-l1等算法;同时,遮挡实验表明,算法对遮挡图像具有更好的鲁棒性,在不同遮挡比例下,相比其他算法均有更高的识别率。在CMU PIE人脸库中,对无遮挡图像添加0、10%、20%、30%、40%的椒盐噪声,算法识别率分别达到90. 1%、85. 5%、77. 8%、65. 3%和46. 1%,均高于其他算法。结论不同人脸库、不同比例遮挡和噪声的实验结果表明,所提算法针对人脸遮挡、表情和光照等噪声因素依然保持较高的识别率,鲁棒性更好。(本文来源于《中国图象图形学报》期刊2019年08期）

陆荣秀,蔡莹杰,朱建勇,杨辉,聂飞平^[4]（2019）在《一种改进的线性判别分析算法在数据降维中的应用》一文中研究指出线性判别分析是一种应用广泛的降维技术,传统的线性判别分析算法是假设输入的数据呈高斯分布,但它并没有考虑数据从高维空间嵌入到低维空间中的局部流形结构,因此对于非高斯分布的数据,传统的线性判别分析算法往往不能取得较好的效果,像MRI,USPS数据集等。为了线性判别分析同样也适用于非高斯分布的数据,本文提出了一种改进的Linear Discriminant Analysis(LDA)算法。新的模型通过度量样本对之间的欧式距离来区分样本对之间的差异性,从而考虑了数据从高维空间嵌入低维子空间时的内部几何结构,因此使得新的模型不仅能够处理高斯分布的数据而且还能处理非高斯分布的多模态数据。最后本文通过大量的实验验证改进的算法在一定程度上解决了经典LDA所不能解决的非高斯数据的问题。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）

古丽君,林振华,吴世玉,郑彦婕,周晓文^[5]（2019）在《近红外光谱结合线性判别分析方法在食醋品牌鉴别中的应用》一文中研究指出采用近红外光谱技术结合化学计量学手段,建立不同品牌食醋的快速鉴别方法。用近红外光谱仪对103组食醋样品进行扫描,采用二阶导数对图谱进行预处理、标准化处理、T检验和主成分分析(principal component analysis,PCA),运用留一法构建线性判别分析(linear discriminant analysis,LDA)模型。结果表明,原始近红外谱图经过处理后,显示出同种品牌食醋主成分的聚类趋势;交叉验证结果表明,PCA-LDA模型预测不同品牌食醋的正确率高达85. 57%,该模型具有较好的预测效果。该研究结合近红外光谱与PCA-LDA模型,为不同品牌食醋提供一种快速鉴别方法,具有处理近红外光谱数据,研究物质主成分的应用潜力。(本文来源于《食品与发酵工业》期刊2019年18期）

王馨彤^[6]（2019）在《函数型线性判别分析》一文中研究指出随着信息技术的不断发展,数据类型越来越多,其中有一类观测数据隐含着“函数”特性.例如人的身高增长变化数据,某地区或某气象站测量的月降雨量数据,每条公路上的传感器网络采集到的车流量数据等.我们将这种类型的数据称为函数型数据.旨在表示数据的内在结构,而不是数据的外在形式.传统的数据分析方法往往忽略了数据的函数特性,导致其可能会遗漏数据中隐藏的信息,从而对函数型数据的分析受到了越来越多的关注.函数型数据的优势在于将数据函数化后,能够从函数的特性对其进行处理和分析,如研究函数的导数和微分,近而挖掘出数据中更深层的重要信息.例如速度-时间变化曲线,求导后可得到物体运动的加速度变化.目前在国内针对输入为函数型数据的分类问题的研究仍处于起步阶段.本文提出了一个解决此问题的方法.针对输入为函数型数据的分类问题提出了一个基于线性判别分析的方法,即函数型线性判别分析.通过引入函数范数来度量类内距离和类间距离,从而构造了函数型线性判别分析的优化模型.进一步,通过利用基函数方法将无穷维函数空间优化模型转化为有限维优化模型,从而使模型易于求解.由于数据被函数化后,可对函数求一阶导数或二阶导数.利用求导数后的数据可进一步提高分类效果.最后,数值实验部分展示了函数型线性判别分析方法的可行性和有效性.(本文来源于《新疆大学》期刊2019-06-30）

李鸿强,魏小清,王有玺,张振,宫正^[7]（2019）在《主成分分析和线性判别分析应用于心电信号特征提取和诊断算法研究》一文中研究指出针对心脏疾病发病率高且不易自主检测的问题,提出了一种心电信号特征提取和分类诊断算法。首先对心电信号进行提升小波变换和改进半软阈值相结合的预处理变换,在去除心电信号的噪声后,利用主成分分析(principal component analysis,PCA)对心电信号进行降维,并利用核独立成分提取心电信号的非线性特征;同时离散小波变换提取去噪后心电信号的频域特征,基于线性判别分析(linear discriminant analysis, LDA)对频域统计特征进行降维处理。将两种不同的特征向量组成多域特征空间,最后利用支持向量机对多域特征空间分类,遗传算法对其参数进行寻优,从而实现心电信号特征的分类。实验结果表明,所提出的算法能够对5类心电节拍进行准确分类,分类效率达99.11%。(本文来源于《生物医学工程研究》期刊2019年02期）

刘鹏,叶宾^[8]（2019）在《基于随机矩阵理论的高维数据线性判别分析方法》一文中研究指出线性判别分析(LDA)是机器学习和数据挖掘中一种常用的基于模型的分类方法。尽管该分类方法在许多实际应用中表现良好,但在处理高维数据时其效果却很不理想。其原因在于:当变量数目p接近或者大于样本数目n时,样本协方差矩阵不再是真实协方差矩阵的一个良好估计,导致线性判别函数值产生了较大的偏差。文中提出了一种基于随机矩阵理论的高维数据分类器正则化方法。首先,利用随机矩阵理论,分别以旋转不变估计法(当p≤n时)或者特征值截取法(当p>n时)对高维协方差矩阵进行一致估计;然后,使用估计出的高维协方差矩阵计算判别函数值。在模拟数据集和3个微阵列数据集上进行的分类实验的结果表明,所提线性判别分析方法在处理高维数据时不但适用范围更广,而且具有较高的分类正确率。(本文来源于《计算机科学》期刊2019年S1期）

田宇,罗沙,李宾宾,孙文^[9]（2019）在《采用Fisher线性判别法提取GIS内部局部放电信号最优能量特征》一文中研究指出采用二元树复小波变换(DT-CWT)对特高频局部放电(PD)信号进行多尺度分解,求解了复小波最优分解层数,提取了最优分解尺度下的特高频PD信号实部和虚部高频层小波能量,并采用Fisher线性判别方法对能量特征进行选择,最后进行PD类型辨识。识别结果表明:优选后的实部和虚部高频层小波能量特征可以有效识别4种典型绝缘缺陷,识别率均达到了92.5%及以上,且最优复小波能量(OCWEF)特征在PD类型辨识中具有更优的敏感性和识别效果。(本文来源于《中国电力》期刊2019年09期）

刘立芳,杨海霞,齐小刚^[10]（2019）在《基于线性判别分析的时频域特征提取算法》一文中研究指出针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用"时域+频域+线性判别分析"的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。(本文来源于《系统工程与电子技术》期刊2019年10期）

线性判别论文开题报告

（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：

为提高在非线性可分数据上的推荐质量,采用基于核函数的多特征线性判别分析建立推荐模型.基于多维特征数据,采用非线性映射转换到高维特征空间,通过构建基于核的映射函数,将特征映像转换为内积空间的特征子集,最终建立基于核函数的多特征线性判别分析的分类准则,对于用户喜好的物品进行分类判别并生成推荐.实验结果表明:在20%、40%、60%、80%的数据作为训练集,其余为测试集的实验条件下,随着推荐列表长度|R|的增加,推荐准确率呈现先升后降的趋势,在25≤|R|≤35区间内,能够取得最优的平均绝对误差0.34.所提方法与现有方法相比准确率平均提升18.01%,多样性平均提升42.29%,而所用时间开销仅增加6.21%.对历史偏好数据进行特征映射,有助于提高推荐准确率与多样性.

（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。

线性判别论文参考文献

[1].孙小丹,陈文.基于局部离散度的监督型线性判别分析及其应用[J].绵阳师范学院学报.2019

[2].高全力,高岭,石美红,朱欣娟,陈锐.多特征的核线性判别分析推荐方法[J].东南大学学报(自然科学版).2019

[3].叶学义,罗宵晗,王鹏,陈慧云.基于非凸低秩分解判别的迭加线性稀疏人脸识别[J].中国图象图形学报.2019

[4].陆荣秀,蔡莹杰,朱建勇,杨辉,聂飞平.一种改进的线性判别分析算法在数据降维中的应用[C].第30届中国过程控制会议（CPCC2019）摘要集.2019

[5].古丽君,林振华,吴世玉,郑彦婕,周晓文.近红外光谱结合线性判别分析方法在食醋品牌鉴别中的应用[J].食品与发酵工业.2019

[6].王馨彤.函数型线性判别分析[D].新疆大学.2019

[7].李鸿强,魏小清,王有玺,张振,宫正.主成分分析和线性判别分析应用于心电信号特征提取和诊断算法研究[J].生物医学工程研究.2019

[8].刘鹏,叶宾.基于随机矩阵理论的高维数据线性判别分析方法[J].计算机科学.2019

[9].田宇,罗沙,李宾宾,孙文.采用Fisher线性判别法提取GIS内部局部放电信号最优能量特征[J].中国电力.2019

[10].刘立芳,杨海霞,齐小刚.基于线性判别分析的时频域特征提取算法[J].系统工程与电子技术.2019

论文知识图

标签：线性论文;  特征论文;  矩阵论文;  邻域论文;  函数论文;  分解论文;  局部论文;