基于Fisher线性判别分析的语音信号端点检测方法

传统的语音端点检测方法对辅音,特别是受到噪声污染的清音部分与背景噪声之间分离能力不足。针对上述问题,该文提出一种基于Fisher线性判别分析的梅尔频率倒谱系数(F-MFCC)端点检测方法。将清音信号和背景噪声视为两类分类问题,采用Fisher准则求解具有判别信息的最佳投影方向,使得投影后的特征参数具有最小类内散度和最大类间散度,从而增大清音与背景噪声的可分离性。在不同语音库上的实验结果表明,F-MFCC能够在不同信噪比和背景噪声条件下提高语音端点检测的准确率。

基于Fisher线性判别率的加权K-means聚类算法

为提高K-means聚类效果,采用Fisher线性判别率的方法确定特征在聚类中的贡献度并依此对特征进行加权聚类。在人工和实际数据集上所做的实验表明,本方法在聚类效果上优于其他同类加权K-means聚类算法。

基于改进的PCA算法和Fisher线性判别的人脸识别技术

通过对主成分分析法(PCA)的数学公式进行改进,使其具有灰度归一化操作能力,从而克服光照对目标的影响,再将改进后的主成分分析法和F isher线性判别分析方法组合起来用于人脸识别,在ORL人脸数据库上进行了实验,取得了满意的识别效果.

基于三维多分辨率模型与Fisher线性判别的人脸识别方法

提出了一种不同姿态和光照条件下的人脸识别方法 ,将三维多分辨率模型与Fisher线性判别结合起来 .为了排除光照、姿态对人脸识别的影响 ,利用重采样技术构造了三维多分辨率模型 ,更快、更精确地提取人脸特征 ;同时结合Fisher线性判别 ,充分利用不同条件下的二维人脸图像信息 ,更有效地排除光照、姿态的影响 .实验表明 ,三维多分辨率模型与Fisher线性判别相结合能够很好地适应外部条件的变化 ,提高了人脸识别的速度和效率 .

基于二维Fisher线性判别的掌纹识别方法

在Fisher线性判别(FLD)中,类内离散矩阵总是奇异的。为了解决矩阵的奇异性问题,应用一种新的二维Fisher线性判别(2DFLD)直接进行矩阵投影。对于PolyU掌纹图像库,分别用PCA,PCA+FLD和2DFLD提取特征掌纹子空间,将待识别图像投影到低维子空间上,用余弦距离进行掌纹匹配。实验结果表明,与PCA相比,PCA+FLD的识别率最多提高1.18%。2DFLD识别率最高达到99.34%,比PCA+FLD提高7.61%,特征提取仅耗时0.047s。

非平衡数据集Fisher线性判别模型

非平衡数据是指两类问题中正类样本与负类样本个数不相等,甚至相比悬殊.非平衡数据集会导致许多分类器的性能下降,这与分类器的构造原理有关.本文首先阐述了Fisher线性判别的分类机制,指出当两类样本的协方差矩阵不同时,样本不平衡会导致Fisher线性判别的性能下降.在此基础上,提出了一种加权Fisher线性判别(WFLD),以减小样本不平衡的影响.然后,从UCI中选择了8个非平衡数据集,并采用ROC曲线下面积作为评估指标进行比较,实验结果证明了WFLD模型的有效性.

融合Fisher线性判别分析的多维特征融合情景感知推荐方法

针对采用单维特征建立用户的偏好模型所导致的推荐结果无法有效覆盖用户潜在偏好特征而影响推荐质量的问题,提出了一种基于Fisher线性判别分析的多维特征融合情景感知推荐方法。该方法建立了包含时间衰减度、属性偏好、偏好可影响程度等多维特征的偏好样本空间;采用特征融合、投影变换等方法,在最佳鉴别矢量空间基于Fisher判别准则融合用户的多维特征;采用拉格朗日乘子法求解最优投影方向,建立起多维特征优化的偏好获取模型。在BookCrossing与Netfilix数据集上的实验结果表明:与现有方法相比,所提方法的推荐准确率平均提高了16.61%,多样性平均提高了约38.01%,能够有效地覆盖用户的潜在偏好特征,并取得更好的推荐质量。

基于Fisher线性判别模型的文本特征选择算法

在采用向量空间模型表示方法的文本分类系统中,维数约简是必要的步骤,特征选择方法由于计算复杂度较低而被广泛采用。本文基于Fisher线性判别模型提出了一种新的文本特征选择算法,将其求解过程转换为一个特征项优化组合的问题,避免了复杂的矩阵变换运算。实验表明,该方法与信息增益、卡方统计方法比较,具有较明显的优势。

Fisher线性判别函数在基于COGs分类的基因组间距离研究中的应用

利用全基因组信息构建系统发育树 .基于COGs类 ,对每一个基因组的每一个基因 ,都用一个 17维的向量来描述其编码蛋白隶属于 17个COGs类的程度 ;而与一个基因组的所有基因相对应的那些矢量就组成一个集合 .接着 ,利用Fisher线性判别函数 ,寻找一组最优化的权重因子 ;在此基础上利用Fisher线性变换将上述各集合中每一个矢量进行线性变换 .使得经Fisher线性变换后 17个COGs类对基因组进化的重要程度得到更准确的反映 .最后 ,用进行变换后的矢量组成的集合间的距离代替基因组之间的距离 .使用这种方法 ,分别用 38个和 4 3个基因组做的进化树都支持了Woese的三界理论 .该方法克服了其他基于全基因组信息构建系统发育树方法难以对大小相差很大的基因组进行比较的问题 。

一种面向单个正例的Fisher线性判别分类方法

提出了一种解决不平衡数据集中少数类只有一个样本的方法,找出单个正例在负类中的k个近邻,按照一定规则依次在单个正例和它的各个近邻的连线上产生合成样本,并把这些合成样本添加到原始的正类中,用加权F isher线性分类方法对新的数据集进行训练.实验结果表明该方法可有效地提高少数类的分类性能.

基于Fisher线性判别式的层次文档分类

将文档按照主题进行层次分类,利用Fisher线性判别式的思想来提取每一类的正特征词和负特征词,给出基于Fisher线性判别式的层次文档分类算法(HDCF)。HDCF不仅克服一般层次分类算法中假定特征词之间必须满足独立性的条件,而且能处理一个文档涉及多个类的分类问题。在实验中,采用召全率和准确率2个指标与其它算法进行比较,结果表明:HDCF的效果好于其它算法。

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。

加权Fisher线性判别法在非平衡医学数据集中的应用

目的:介绍加权Fisher线性判别法在非平衡医学数据集中的应用。方法:在两类分类问题中,当两类样本的协方差矩阵不同时,样本不平衡会导致Fisher线性判别的性能下降,使用加权Fisher线性判别法对两类样本同时进行不同倍数的过抽样,可促使两类的样本数目趋向平衡。结果:利用社区居民的血糖流行病学调查资料进行验证,加权Fisher线性判别法较传统Fisher线性判别法的灵敏度高,分类性能明显提高。结论:加权Fisher线性判别法可适用于非平衡数据集,算法简单高效,且基本不增加计算复杂度。

应用Fisher线性判别分析法评估物流规划项目

讨论了如何利用Fisher线性判别分析方法对物流规划项目进行评估,以某物流园区规划为实例,采用Fisher判别方法进行了实证分析。经过实证分析表明,Fisher判别方法是一种较为可信、便捷的评估方法,借助SPSS等数学工具,可以大大减少专家评估物流规划项目的工作量。

基于Fisher线性判别分析的弧焊电源动特性自适应检测

利在电弧焊技术快速发展的形势下,研究新的方法以实现多样化弧焊电源的自适应检测十分有意义。提出基于Fisher线性判别分析的方法,从特征库中生成与被测弧焊电源的动特性等级密切相关的若干特征,以实现自适应检测。CO2弧焊电源动特性检测试验表明:本方法合理可行,分类准确率达95.24%,已接近应用要求。经过进一步的对比分析后证实,Fisher线性判别分析等能取得更好的分类效果,是当前首选的特征生成方案。

特征压缩中K-L变换与Fisher线性判别关系的研究

本文先简单地介绍了K-L变换和Fisher线性判别,然后通过5个结论的证明说明了通过选取特定的生成矩阵,能从K-L变换中得到Fisher线性判别的结果,从而指明了在此情况下二者的内在联系。最后,再通过3个结论的证明,进一步对该结论进行推广。

二维Fisher线性判别中子模式性能的一种评价方法

针对二维Fisher线性判别(2DFLD)方法中传统子模式选取方法计算量大、十分耗时的问题,结合影响2DFLD方法识别结果的两个主要因素——样本在投影空间的离散程度和子模式之间的相似度,提出了一种子模式性能的评价方法。首先设计子模式的构成方式;接着依据该评价方法计算各个子模式的性能指标;最后选出较优的子模式。在人耳图库、ORL人脸图库及虹膜图库上的实验结果表明,该评价方法能有效地选取较优子模式,并能够将计算时间缩短为常规子模式选择方法的近1/4,是一种有效的子模式性能评价方法。

基于Fisher线性判别的多用户检测器

本文提出一种基于Fisher线性判别(FLD)的多用户检测器。该检测器将信道的时变特性隐含在学习算法得出的最优投影方向矢量中,因而适合各种信道环境,而不必知道噪声和干扰的类型;它需要训练序列,除了有用信号的扩频序列外,不需要其他用户的扩频序列;算法简单、实现复杂度低。本文对所提出的检测器性能进行了仿真实验,给出了FLD检测器与MMSE检测器和SVM检测器的性能比较。

一种新的L_1度量Fisher线性判别分析研究

Fisher线性判别分析(Fisher Linear Discriminant Analysis,FLDA)是一种典型的监督型特征提取方法,旨在最大化Fisher准则,寻求最优投影矩阵。在标准Fisher准则中,涉及到的度量为L_2范数度量,此度量通常缺乏鲁棒性,对异常值点较敏感。为提高鲁棒性,引入了一种基于L_1范数度量的FLDA及其优化求解算法。实验结果表明:在很多情形下,相比于传统的L_2范数FLDA,L_1范数FLDA具有更好的分类精度和鲁棒性。

用Fisher线性判别方法甄别Cs_2LiYCl_6:Ce^(3+)晶体的n/γ波形

Cs_2LiYCl_6:Ce^(3+)(CLYC)晶体是一种性能优异的无机闪烁晶体,具有良好的n/γ脉冲形状甄别能力。传统的电荷比较法常用来甄别CLYC晶体的n/γ,通过优化积分时间窗口的宽度来获得最优的甄别结果,计算量大。本文提出利用Fisher线性判别进行CLYC晶体的n/γ波形甄别,以获得高甄别品质因子为准则来构建投影向量。n/γ混合场由Am-Be源产生,用泰科DPO7104示波器记录探测器信号。结果表明,构建投影向量后,Fisher线性判别方法计算量小、可移植性强,且可得到优于电荷比较法的甄别结果。