基于样本分布相似度的期望分布鉴别分析

主分量分析(PCA)和线性鉴别分析(LDA)是模式识别领域使用广泛的两种特征抽取方法.本文针对两种方法的不足之处,并从样本分布相似度出发提出一种期望分布鉴别分析(EDDA)方法,抽取到的鉴别特征的总体分布和设定的期望分布最为相近.即通过 EDDA 得到的投影向量可以抽取出最接近理想分布的鉴别特征.EDDA 在投影向量的求解问题上不存在小样本问题,抽取的鉴别特征维数小,并且整体识别性能得到增强.在 ORL、Yale 人脸库上的实验结果证明本文方法在人脸识别精度上优于 PCA 和 LDA 方法.

一类易犯的错误及其严重后果

许多产品的可靠性分析常容易犯一种错误,即在通过Weibull分布检验后,就认定产品的寿命服从Weibull分布,并据此进行Weibull分布的可靠性评定,从而可能引起重大错误,而分布鉴别则是避免此类错误的有效途径。