基于线性判别分析和二分K均值的高维数据自适应聚类方法

将线性判别分析和二分K均值聚类耦合在一起,提出了一个适合于高维数据聚类的自适应方法:利用线性判别分析将高维数据集变换成低维数据集,然后在低维数据集上执行二分K均值聚类,并把得到的聚类结果通过一个簇成员指示矩阵H变换到原数据集中.将这样的过程反复进行,直到自适应地得到一个最优结果.基于现实数据集的实验结果证明了该方法的有效性.

基于均值漂移模型的线性结构EV模型异常点分析

研究一般线性结构EV模型。给出了线性EV模型与线性回归模型的区别,根据最小二乘方法给出模型的参数估计,并且对结构EV模型进行了统计诊断,证明了基于数据删除模型与均值漂移模型的参数估计的等价性,通过均值漂移模型分析其异常点。通过实例验证以上所得结论。

噪声鉴别C均值聚类的滁菊花茶品质等级鉴别研究

近红外光谱检测技术可以通过探测近红外区域的光谱特征,反映所测样品内部有机物化学成分和结构信息。在分析物质成分时,近红外光谱通常会涉及到大量的波长数据,因此其维数往往比较高。同时,光谱会出现重叠和冗余等现象,会影响模型的性能。提出一种噪声鉴别C均值聚类(NDCM)算法。NDCM将一种快速广义噪声聚类(FGNC)和模糊线性判别分析(FLDA)相结合,可实现模糊聚类过程中进行数据鉴别信息的提取和数据空间维度的压缩,以达到更高的聚类准确率。对滁菊花茶近红外光谱数据进行模糊C均值聚类(FCM)得到的模糊隶属度和聚类中心作为噪声鉴别C均值聚类(NDCM)的初始模糊隶属度和初始聚类中心,使NDCM具有聚类速度快,准确率高等优点。FCM算法对光谱噪声数据敏感,而NDCM算法在处理含噪声的光谱数据时能够表现出较好的性能。该研究选取特级滁菊、一级滁菊、二级滁菊三种品质等级的滁菊花茶作为实验样本,共计240个样本。实验使用便携式近红外光谱仪(NIR-M-F1-C)采集滁菊花茶的近红外光谱数据。用Savitzky-Golay滤波和多元散射校正(MSC)对滁菊花茶近红外光谱进行预处理,以减少光谱中掺杂的噪声和重叠信息。通过主成分分析(PCA)对采集到的400维光谱数据进行维度压缩降至6维。该研究使用线性判别分析(LDA)提取滁菊花茶光谱数据中的鉴别信息,并将数据空间维度进一步转换为2维。分别用FCM,FGNC和NDCM三种算法对处理后的数据进行聚类分析,以实现对滁菊花茶的准确分类。实验结果显示:当权重指数m=2.5时,FCM,FGNC,NDCM的聚类准确率分别为92.42%,98.48%,100%。NDCM聚类时间略长于FGNC。FCM算法需要进行27次迭代才能收敛,而FGNC算法和NDCM算法分别只需要13次和10次迭代就能达到收敛。采用近红外光谱技术结合MSC、Savitzky-Golay滤波、PCA、LDA和NDCM算法,建立了一种精准鉴别滁菊花茶品质等级的聚类模型。

广义部分线性模型基于均值漂移的回归诊断

一、前言 本文主要针对广义部分线性模型,对其基于均值漂移进行回归诊断,为以后进行统计诊断做准备.二、广义部分线性模型广义部分线性模型（G eneralized partial linear models,简记为G PLM）：E（Y）=H{X Tβ＋m（Z）}（1）

基于矩阵模式的局部子域最大间距判别分析

矩阵模式的Fisher线性判别准则(MatFLDA)作为近几年矩阵模式下的经典特征提取方法被广泛地加以研究和运用。然而MatFLDA方法作为全局判别准则一定程度上忽视了样本空间内在的局部结构和局部信息。在矩阵模式下,引入局部加权均值(LWM)并结合最大间距判别分析(MMC),提出一种具有局部学习能力的有监督的特征提取方法:基于矩阵模式的局部子域最大间距判别分析(Mat-LSMMC),提高了MatFLDA方法的局部学习能力,具有较强的特征提取能力。通过测试人造、真实数据集来表明所提方法的优势。

基于非线性扩散均值漂移的Retinex雾天图像清晰化算法

针对传统Retinex算法在处理雾天图像时,易在明暗对比强烈处产生光晕现象以及处理后图像存在的色彩失真问题,论文提出了一种基于非线扩散均值漂移平滑的Retinex雾天图像清晰化算法。首先,采用小波变换调整景物信息在图像中的动态范围分布;然后,采用局部非线性扩散均值漂移滤波器对图像进行平滑来估算入射光照信息,进而获得景物的反射光照信息;最后,在lαβ彩色空间利用处理前后图像的色饱和度差异来进一步补偿由于图像平滑所造成的色饱和度损失。实验结果表明,提出的算法能够明显提高图像的清晰度,并有效克服色彩失真和光晕伪影现象。

基于FSIF改进均值漂移LDA的多姿态变化人脸识别

针对传统的人脸识别方法在处理多姿态变化人脸问题时耗时过长及成本过高的问题,提出了一种基于尺度不变特征融合(FSIF)的双阶段分类方法。首先执行均值漂移线性判别分析找到5个类似于查询人脸的最佳候选类;然后利用尺度不变特征融合提取出候选人脸及查询人脸的融合特征描述符,并进行特征匹配得到目标人脸;最后,根据特征描述符的匹配关键点数目完成人脸的识别。实验结果表明,所提方法解决了由姿态变化引起的大的脸部变异,降低FSIF人脸识别的计算复杂度,并在不降低识别性能的前提下大大节约了成本,相比于几种较为先进的3D变换方法,所提方法取得了更好的识别效果,有望应用于实时安全系统。

均值漂移LDA优化FSIF的三维人脸识别

针对传统的三维人脸识别算法受光照、姿态、表情及场景变化影响导致耗时过多及成本过高的问题,提出了一种基于均值漂移线性判别分析优化尺度不变特征融合(FSIF)算法。使用均值漂移线性判别分析找到五个类似于查询人脸的最佳候选类;利用尺度不变特征融合提取出候选人脸及查询人脸的融合特征描述符,并进行特征匹配得到目标人脸;根据特征描述符的匹配关键点数目完成人脸的识别。在USCD/Honda、FRGC v2及自己搜集的人脸数据集上的实验结果表明,该算法解决了降低FSIF人脸识别的计算复杂度,并在不降低识别性能的前提下大大地节约了成本,相比几种较为先进的三维人脸识别算法,该算法取得了更好的识别效果。

非线性测量误差模型的影响分析(英文)

本文对非线性测量误差模型给出了统一的诊断方法,并证明了数据删除模型与均值漂移模型的等价性,由此出发得到了Cook距离、残差、杠杆值等诊断统计量.本文还讨论了非线性测量误差模型的局部影响分析,并给出了一个具体应用实例.推广了Zhao & Lee(1995)的结果.

一般均值漂移模型的Score检验统计量

本文研究了一般均值漂移模型中漂移量的存在性检验问题.利用Score函数和Fisher信息阵,获得了检验的Score统计量.

广义线性模型的诊断与实例分析

研究了广义线性模型的诊断,将线性回归模型的诊断方法推广运用到广义线性模型,证明了均值漂移模型与数据删除模型的等价性,研究了判断异常点的Score检验统计量.最后通过实例建模,验证了本文给出的诊断方法的有效性.

含方差扩大的一般均值漂移模型的Score检验统计量

该文研究了含方差扩大的一般均值漂移模型中漂移量的存在性检验问题.利用Score函数和Fisher信息阵,获得了检验的Score统计量.

基于模糊C-均值聚类的小波分析人脸识别

提出了一种基于改进的模糊C-均值聚类分类器的不完全小波分析人脸识别方法。实验证明,该文提出的方法能够提高人脸识别率,降低了运行时间。

基于线性投影分析和FCM动态聚类的人脸识别

依据主成分分析方法(PCA)对图像具有很好的表达能力,即能很好地重构原图像,而线性鉴别分析(LDA)可使图像样本具有较高可分性的特点,提出对图像先进行PCA处理,再进行LDA处理,从而降低人脸特征维数并对人脸图像进行了特征提取;并提出用FCM动态聚类算法作为识别分类器,对人脸进行识别。实验和分析结果表明,在人脸识别中,这种融合PCA和LDA的分类方法能够更好地对特征进行提取,且FCM动态聚类分类器比K近邻判别分类器更具有灵活的分类能力。

广义非线性模型的影响分析

本文从几何的观点研究广义非线性模型及其影响分析我们给出了均值漂移模型的曲率度量；在此基础上，导出了广义非线性模型度量影响的诊断统计量的二阶近似公式作为推论，本文的结果适用于两种重要的特殊情形：第一，广义线性模型的影响分析；第二。

基于特征提取的快速图书损坏鉴评方法研究

文章针对图书损坏现象,提出一种基于特征提取的快速图书损坏鉴评方法。对出借和归还时图书的正反侧三面图像进行差异度检测,评判图书损坏是否超过损坏阈值;找到差异度位置区域,并利用一种新的有监督的分析方法对该区域进行特征提取,继而分类匹配,判定损坏类型和损坏程度,提示图书馆工作人员及时进行图书修复,督促读者爱护书籍,养成良好的阅读习惯。同时,文章采集某高校图书馆内的1000本纸质藏书,将所提方法与传统的特征提取方法进行对比实验,结果表明文章所提方法的识别精度更高。

广义模糊K调和均值聚类的近红外光谱生菜储藏时间鉴别

生菜的储藏时间是影响生菜新鲜程度的重要因素。为了快速、无损和有效地鉴别生菜的储藏时间,以欧式距离的p次方代替模糊K调和均值聚类(FKHM)中欧式距离的平方提出了一种广义模糊K调和均值聚类(GFKHM)算法并将该算法应用于鉴别生菜的储藏时间。以60个新鲜生菜样本为研究对象,采用AntarisⅡ近红外光谱分析仪每隔12h检测生菜的近红外漫反射光谱,共检测三次,光谱扫描的波数范围为10 000~4 000cm^(-1)。首先用主成分分析(PCA)对1 557维的生菜近红外光谱进行降维处理以减少冗余信息,取前20个主成分,经过PCA处理后得到20维的数据。然后用线性判别分析(LDA)提取光谱数据的鉴别信息以提高聚类的准确率,取鉴别向量数为2,则LDA将20维的数据转换为2维数据。最后以模糊C-均值聚类(FCM)的类中心作为FKHM和GFKHM的初始聚类中心,分别运行FKHM和GFKHM计算模糊隶属度以实现生菜储藏时间的鉴别。结果表明,GFKHM的鉴别准确率能达到92.5%,FKHM的鉴别准确率为90.0%,GFKHM具有比FKHM更高的鉴别准确率。GFKHM的聚类中心比FKHM更逼近真实类中心。GFKHM的收敛速度明显快于FKHM。采用近红外光谱技术同时结合GFKHM,PCA和LDA为快速和无损地鉴别生菜储藏时间提供了一种新的方法。

具有测量误差的非线性模型的Bayes估计

测量中大量的函数模型都是非线性回归模型.当回归变量含有一定的测量误差时,我们得到非线性测量误差模型.本文讨论了这种模型中未知参数具有正态先验分布时的参数Bayes估计方法,并对这种估计进行了影响分析,证明了删除模型与均值漂移模型中参数的Bayes估计相同,利用Cook统计量给出了删除模型下参数的Bayes估计的影响度量.

基于自适应方向性滤波和非局部均值修补的CT图像金属伪影消除

CT图像金属伪影的校正长期以来都是一个重要课题。首先采用自适应方向性前置滤波器对含有金属伪影的图像进行处理,在一定程度上消除噪声,抑制条状伪影;其后采用均值漂移分割出原图像中的金属成分,最大互信息熵分割出伪影成分;使用平行束投影获取原始图像和金属成分的弦空间数据,从原图弦空间数据中减除伪影成分对应的弦图;继而采用非局部均值修补结合线性插值方法对弦空间数据进行补全;最后采样滤波反投影得到校正后的图像。实验表明,本算法对于含有金属伪影的水模和真实临床图像的校正,获得更好的匀质区域一致性和更好的伪影抑制性能。

对简单线性迭代聚类算法改进的遥感影像超像素分割方法

随着超像素算法的发展,简单线性迭代聚类算法(SLIC)简单和良好的分割效果被广泛应用,主要应用在林地信息提取、目标跟踪、生物医学图像等领域。但针对简单线性迭代聚类算法在纹理较为复杂的遥感影像分割中的不足,提出了一种改进SLIC的超像素分割算法(M-SLIC)。首先使用均值漂移算法对预处理后的LandSat8遥感影像进行均值漂移,再结合均匀模式+旋转不变的线性反投影算法(LBP)和SLIC算法,对遥感影像进行超像素分割处理。结果表明:M-SLIC超像素分割算法分割遥感影像时相比较SLIC算法在边缘召回率上提高了1.5%,在欠分割错误率上降低了2%,M-SLIC算法能够更好地贴合遥感影像边缘,对于颜色相近的地物分割的欠分割错误率更低,更适合纹理较为复杂的林地遥感影像。