导读:本文包含了广义鉴别分析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:广义,张量,特征,矢量,局部,图像,分解。
广义鉴别分析论文文献综述
葛祥龙,荆晓远,董西伟,吴飞,姚永芳[1]（2015）在《局部广义张量鉴别分析》一文中研究指出在过去十年里,致力于研究把线性鉴别分析扩展到更高阶数据分类,即多线性鉴别分析,以得到更好的鉴别效果。广义张量鉴别分析(GTDA)方法是其中最具代表性的算法之一。文中提出了一种新的多线性鉴别分析方法,即局部广义线性鉴别分析(LGTDA)方法。其利用张量样本的局部近邻信息重新定义了鉴别分析中的类间散度矩阵和类内散度矩阵,使得提出的方法比其他方法在投影空间中更好地保留原始空间的局部结构信息。另外,用多种特征提取技术提取出原始样本图片的各种信息构成文中算法的张量样本,充分利用了张量数据的优势。在AR和CAS-PEAL人脸数据库上的实验结果验证了文中方法的有效性。(本文来源于《计算机技术与发展》期刊2015年11期）
陈才扣,史骏,侯钰,姜敏[2]（2011）在《基于局部均值的广义散度差无监督鉴别分析》一文中研究指出为了将局部信息有效地运用到特征抽取并提高算法的鲁棒性,同时考虑到在人脸识别应用中出现的高维小样本问题,提出了一种基于局部均值的广义散度差无监督鉴别分析。该方法利用样本的非局部均值散度与倍的局部均值散度之差作为鉴别函数,不仅保留了样本分布的局部信息,而且避免了局部均值散度可能奇异的问题,并给出了算法的识别率随模型参数变化的曲线。YALE和FERET人脸数据库上的实验结果表明了该方法的有效性。(本文来源于《计算机工程与设计》期刊2011年07期）
荆晓远,张永川,姚永芳,蓝超,李敏[3]（2011）在《基于广义奇异值分解的增量核鉴别分析》一文中研究指出核鉴别分析(KDA)已经被广泛应用于特征提取,然而由于矩阵奇异以及可伸缩性问题的存在,使得KDA的应用也有其局限性。为了解决以上两个问题,最近提出了基于广义奇异值分解的核鉴别分析(GSVD-KDA)以及增量线性鉴别分析(Incremental LDA)。在本文中,我们在上述工作的基础上,提出了基于广义奇异值分解的增量式核鉴别分析(GSVDIncremental KDA),通过增量学习来降低计算的复杂度,并使用广义奇异值分解(GSVD)解决计算中遇到的矩阵奇异性问题。我们将所提方法在理论上和其它的算法进行了比较,实验结果也证明了我们的方法在保持人脸识别效果不变的同时能够很好的降低计算的复杂度。(本文来源于《Applied Computing,Computer Science, and Computer Engineering（ACC 2011 V4）》期刊2011-07-16）
贺云辉[4]（2010）在《正交广义鉴别分析及其在人脸识别中的应用》一文中研究指出提出了一种求解正交广义鉴别矢量的方法,在特征空间将广义鉴别分析所得非线性鉴别矢量正交化。实际计算只需对一个核矩阵进行Cholesky分解,用分解得到的上叁角阵的逆对传统的广义鉴别分析所得的系数进行修正。由于非线性鉴别矢量在特征空间相互正交,所得非线性鉴别特征间的冗余度最小,使所有非线性鉴别均得到了有效利用,不存在多余无用的特征。这样的鉴别特征有利于分类性能的改善。在标准人脸数据库上的实验验证了所得方法优于传统的广义鉴别分析方法,可以较大提高广义鉴别分析所得鉴别特征的鉴别能力。(本文来源于《Proceedings of International Conference of China Communication and Information Technology (ICCCIT2010)》期刊2010-10-01）
龙飞,庄镇泉[5]（2005）在《基于广义鉴别分析理论的人脸识别算法》一文中研究指出提出了一种基于广义鉴别分析理论的人脸识别算法。该算法先将人脸图象转化到小波域得到多级分解下的子图描述,根据模板匹配原则选取适当子图系数,并在其基础上进行广义鉴别分析进行降维,其中使用了核方法以实现提取非线性特征的目的。在着名的ORL人脸库上对本文方法进行了验证,识别率测试中使用了以向量夹角距离为相似性度量的最近邻匹配方法。结果表明,与传统的线性鉴别分析相比,核函数的使用能增强特征对不同个体的区分能力,有效地提高了识别精度;此外,基于小波分解的人脸表征方式也使识别精度得到了一定改善。(本文来源于《第一届建立和谐人机环境联合学术会议（HHME2005）论文集》期刊2005-10-01）
高秀梅,金忠,郭丽,杨静宇[6]（2004）在《基于核的广义Foley-Sammon鉴别分析》一文中研究指出广义Foley-Sammon线性鉴别分析(GFSDA)是抽取线性特征的有效方法之一。本文提出了基于核的广义Foley-Sammon鉴别分析(KGFSDA)方法,首先建立KGFSDA的模型,然后从理论上给出KGFSDA模型的具体求解方法。分析表明,KGFSDA保留了GFSDA能从整体上考虑经过广义最佳鉴别变换后样本的可分性的优点,更重要的是该方法能够有效地抽取样本的非线性特征,是对GFSDA的进一步拓展。在ORL标准人脸库上的实验结果表明,该方法在识别性能上优于已有的广义Foley-Sammon线性鉴别分析,也比经典的Foley-Sammon线性鉴别分析更有效。(本文来源于《计算机科学》期刊2004年09期）
高秀梅,杨静宇,陈才扣,杨健[7]（2004）在《具有统计不相关性的广义图像投影鉴别分析》一文中研究指出提出了一种新的图像投影鉴别分析方法 .首先 ,与 L iu投影鉴别分析方法相比 ,具有能够消除投影特征分量之间相关性的优点 .其次 ,该方法从整体上考虑投影集的可分性 .即样本在图像最佳鉴别矢量上的投影集从整体上具有最佳的可分性 .另外 ,所提出的方法是直接基于图像矩阵的 ,与以往的基于图像向量的鉴别方法相比 ,它的突出优点是大大地提高了特征抽取的速度 .最后 ,在 ORL标准人脸库上的试验结果表明 ,所提出的图像投影鉴别分析方法较 L iu的方法在识别性能上有了较大幅度的提高 ,在普通的分类器下达到 95 %识别率 .该识别率明显优于颇有影响的 Fisher-faces方法 ,其特征抽取的速度提高了近 19.6 8倍 .(本文来源于《小型微型计算机系统》期刊2004年07期）
高秀梅,杨静宇,杨健[8]（2004）在《基于广义Fisher鉴别分析的人脸识别》一文中研究指出本文提出了一种基于广义Fisher鉴别分析的人脸识别新方法。在ORL标准人脸库上的试验结果证实了所提出方法的有效性和稳定性(本文来源于《计算机应用与软件》期刊2004年06期）
广义鉴别分析论文开题报告
（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：
为了将局部信息有效地运用到特征抽取并提高算法的鲁棒性,同时考虑到在人脸识别应用中出现的高维小样本问题,提出了一种基于局部均值的广义散度差无监督鉴别分析。该方法利用样本的非局部均值散度与倍的局部均值散度之差作为鉴别函数,不仅保留了样本分布的局部信息,而且避免了局部均值散度可能奇异的问题,并给出了算法的识别率随模型参数变化的曲线。YALE和FERET人脸数据库上的实验结果表明了该方法的有效性。
（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。
广义鉴别分析论文参考文献
[1].葛祥龙,荆晓远,董西伟,吴飞,姚永芳.局部广义张量鉴别分析[J].计算机技术与发展.2015
[2].陈才扣,史骏,侯钰,姜敏.基于局部均值的广义散度差无监督鉴别分析[J].计算机工程与设计.2011
[3].荆晓远,张永川,姚永芳,蓝超,李敏.基于广义奇异值分解的增量核鉴别分析[C].AppliedComputing,ComputerScience,andComputerEngineering（ACC2011V4）.2011
[4].贺云辉.正交广义鉴别分析及其在人脸识别中的应用[C].ProceedingsofInternationalConferenceofChinaCommunicationandInformationTechnology(ICCCIT2010).2010
[5].龙飞,庄镇泉.基于广义鉴别分析理论的人脸识别算法[C].第一届建立和谐人机环境联合学术会议（HHME2005）论文集.2005
[6].高秀梅,金忠,郭丽,杨静宇.基于核的广义Foley-Sammon鉴别分析[J].计算机科学.2004
[7].高秀梅,杨静宇,陈才扣,杨健.具有统计不相关性的广义图像投影鉴别分析[J].小型微型计算机系统.2004
[8].高秀梅,杨静宇,杨健.基于广义Fisher鉴别分析的人脸识别[J].计算机应用与软件.2004
论文知识图
