一种改进的线性区分分析方法及其在汉语数码语音识别上的应用

尽管汉语数码语音识别只涉及十个数字 ,但由于不同数字的发音存在相同或相似的声母或韵母 ,造成汉语数码语音之间的混淆性很大 .采用通常的隐含马尔科夫模型 (HMM)作为汉语数码语音识别模型难以得到很高的识别率 .为了解决汉语数码之间的混淆问题 ,提高汉语数码语音识别性能 ,本文在隐含马尔科夫模型的状态层次上采用线性区分分析方法 ,将不同状态之间容易混淆的特征样本构成混淆模式类 ,针对混淆模式类进行线性区分分析 .通过线性区分变换 ,在变换特征空间中仅保留那些能够有效区分该混淆类别的特征参数 .这种基于状态的线性区分分析有效地提高了模型对混淆数码的区分能力 .实验表明即使采用状态数很少的粗糙识别模型 ,也能很大幅度提高模型的识别性能 ;经过线性区分变换优化后的汉语数码识别模型 ,孤立汉语数码语音识别率可以达到 99 32 % .

基于PCA和LDA统一化原理的增强型线性鉴别分析准则

主分量分析(PCA)和线性鉴别分析(LDA)是模式识别领域的使用最为广泛的两种特征抽取方法,而在图像识别中经常采用的是PCA+LDA方法来代替单纯的LDA。本文提出一种增强型线性鉴别准则(ELDA),将PCA的优点和LDA的优点充分地融合在一起,不仅解决了PCA过程中使用最小距离方法时识别精度相对低的缺点,而且解决了LDA过程中当类内散布矩阵奇异时投影向量的求解问题,也就是说可以使用该方法来替代PCA+LDA的两步骤方法。另外,该方法在识别精度上比PCA和LDA或PCA+LDA方法都有较大的提高,通过在ORL、Yale和NUST603人脸库上的实验验证了该算法的有效性。

一种改进的线性判别分析算法MLDA

线性判别分析(LDA)是模式识别方法之一,已广泛应用于模式识别、数据分析等诸多领域。线性判别分析法寻找的是有效分类的方向。而当样本维数远大于样本个数(即小样本问题)时,LDA便束手无策。为有效解决线性判别分析法的小样本问题,提出了一种改进的LDA算法——MLDA。该算法将类内离散度矩阵进行标量化处理,有效地避免了对类内离散度矩阵求逆。通过实验证明MLDA在一定程度上解决了经典LDA的小样本问题。

基于神经区分器的KATAN48算法条件差分分析方法

针对KATAN48算法的安全性分析问题,提出了一种基于神经区分器的KATAN48算法条件差分分析方法。首先,研究了多输出差分神经区分器的基本原理,并将它应用于KATAN48算法,根据KATAN48算法的数据格式调整了深度残差神经网络的输入格式和超参数;其次,建立了KATAN48算法的混合整数线性规划(MILP)模型,并用该模型搜索了前加差分路径及相应的约束条件;最后,利用多输出差分神经区分器,至多给出了80轮KATAN48算法的实际密钥恢复攻击结果。实验结果表明,在单密钥下,KATAN48算法的实际攻击的轮数提高了10轮,可恢复的密钥比特数增加了22比特,数据复杂度和时间复杂度分别由2^(34)和2^(34)降至2^(16.39)和2^(19.68)。可见,相较于前人单密钥下的实际攻击,所提方法能够有效增加攻击轮数和可恢复的密钥比特数,同时降低攻击的计算复杂度。

基于PCA-LDA-SVM算法的茶小绿叶蝉识别

为提高茶小绿叶蝉病虫害的识别效率和精度,提出一种基于PCA-LDA-SVM的茶小绿叶蝉病虫害识别方法。首先,对采集的茶叶图像进行预处理,得到缩放后的图像;然后,利用主成分分析(PCA)对预处理后的图像提取全局特征,降低特征数据的维度,从而减少后续的计算时间;再利用线性判别分析(LDA)寻找特征数据的最优投影空间,使类内散布距离最小,类间散布距离最大,进一步提高识别的准确率和精确度;最后,利用支持向量机(SVM)分类器进行分类识别。试验结果表明,PCA-LDA-SVM模型识别准确率达96%,精确度达100%,召回率达92%,整体识别性能优于SVM,BP,KNN,PCA-SVM模型,具备一定的理论价值和参考意义。

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

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。

基于非相关多线性主成分分析的人脸识别算法

针对在人脸识别算法中,维数的增加往往会给算法的运算带来沉重负担的问题,提出了一种新的基于非相关多线性主成分分析(UMPCA)和线性判别分析(LDA)的人脸识别算法,算法在保证在降维的时候保留尽可能多的内部结构信息。UMPCA通过一张量至向量的过程,可直接获取原张量数据的绝大部分非相关特征,提取的特征再通过经典算法LDA处理。利用AT&T人脸数据库对该算法进行了实验,实验数据分析显示该算法优于其他同类算法。

基于电子鼻气味信息区分4个品种红景天

采用电子鼻技术测定4个品种红景天的挥发性气味信息,结合负荷加载分析(LA)、主成分分析(PCA)、线性判别分析(LDA)、Fisher判别、多层感知器(MLP)神经网络对其进行品种区分。结果表明:W1W(硫化物)、W2W(芳香成分、有机硫化物)、W5S(氮氧化合物)传感器对红景天顶空气体信号较为敏感,是区分不同品种红景天的主要传感器;PCA分析主成分1贡献率为46.925%,主成分2贡献率为36.133%,总贡献率为83.058%,可有效区分出大花红景天,但其他3个品种之间不能有效区分;LDA分析主成分1贡献率为94.6%,主成分2贡献率为5.2%,总贡献率为99.8%,可将4个品种完全区分;Fisher判别对红景天品种判别率为100%,交叉检验判别率为97.5%,错判率为2.5%;多层感知器神经网络对红景天品种判别率为98.48%。

基于残差自然幂法的增量线性判别分析方法

提出了将增量线性判别分析问题(LDA)转化为两个增量主元分析(PCA)问题的算法框架.为加速算法的收敛速度,推导了增量LDA中训练样本的类内离散度矩阵和协方差矩阵的无损实时更新公式,并在此基础上提出了一种基于残差协方差矩阵的自然幂增量PCA算法.将该增量PCA方法与基于双PCA结构的增量LDA算法框架相结合,实现了数据流的实时LDA处理.仿真结果表明,与已有的增量LDA方法相比,该方法在收敛速度、计算复杂度和可操作性上具有更优的性能.

基于分片逆回归方法的线性与非线性判别分析的应用比较

所统计分析的数据集是前列腺癌基因数据集.采用分片逆回归方法和线性判别分析(LDA),二次判别分析(QDA).对基因芯片(微阵列)数据进行分析.用SIR降维,用LDA和QDA分类.讨论分片逆回归方法和二种方法对基因样本进行分类的效果.

线性判别分析和降维方法应用于基因芯片数据分析

主要采用偏最小二乘法和线性判别分析(LDA)有监督分类的方法来对基因芯片(微阵列)数据进行分析.PCA,PLS是一种提取海量数据有效特征的有效方法,而且可以获得与原来基因芯片数据更为接近的成分的提取特征的效果.比较PCA降维和PLS降维对LDA统计判别分类的效果.得出的结论可为工业应用提供科学依据.

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析(LDA)的特征选取方法,建立基于分步机器学习的诊断模型.该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分.最终实验诊断准确率为97.27%,诊断时间为4.87 s.与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率.实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.

线性判别分析和主分量分析法应用于基因芯片数据分析

文章主要采用主分量分析法和线性判别分析(LDA)有监督分类的方法来对基因芯片(微阵列)数据进行分析。PCA是一种提取海量的数据有效特征的有效方法。仅可以获得与原来基因芯片数据更为接近的成分的提取特征的效果。结果表明采用PCA方法事先对数据处理不可以提高基因芯片数据分析的准确性。

基于类内加权的线性判别分析改进算法

线性判别分析(LDA)是一种基于统计的特征提取方法,能够较好的提取样本的分类特性,传统的LDA算法认为所有训练样本对分类的贡献是一样的,没有考虑样本类内以及类间的分布关系,针对这个问题,论文提出了类内加权LDA算法,提高算法对边缘类的分类识别能力。

突发事件网络舆情反转的PCA-LDA-LSSVM预测模型

为有效引导与控制突发事件网络舆情,建立科学的预警机制,提出突发事件网络舆情反转的主成分分析(PCA)-线性判别分析(LDA)-最小二乘支持向量机(LSSVM)预测模型。利用PCA提取具有相关性的影响因素主成分,利用LDA方法分析相互独立的影响因素和主成分对突发事件网络舆情反转的影响,并将LDA分析后的影响因素作为LSSVM的输入向量,预测突发事件网络舆情反转,通过选取33组突发事件网络舆情数据进行试验研究。研究结果表明:影响因素重要性由大到小依次为网民情感正倾向、网民情感负倾向、舆情事件性质、舆情传播形式、舆情首发主体权威性;当网民情感正倾向明显减少、网民情感负倾向明显增加时,应采取措施引导舆情发展。

轻量级分组密码算法PFP和SLIM的积分分析

PFP算法和SLIM算法都是基于Feistel结构而设计的轻量级分组密码算法,在软件及硬件上都具有良好的性能,特别适用于资源受限的环境,目前没有对两个算法进行积分分析的相关研究.本文通过分析PFP算法和SLIM算法的结构特点,结合比特可分性的自动化搜索方法,构建了混合整数线性规划(MILP)模型,通过使用Gurobi优化器求解该模型判断是否存在r轮积分区分器,选用搜索得到的积分区分器对算法进行密钥恢复攻击.首次得到PFP算法的11轮积分区分器,选用搜索得到的10轮积分区分器向后扩展2轮进行12轮密钥恢复攻击,数据复杂度为262.39个选择明文,时间复杂度为2^(63.12)次12轮加密,存储复杂度为2^(40);首次得到SLIM算法的10轮积分区分器,选择9轮积分区分器进行12轮密钥恢复攻击,数据复杂度为231.81个选择明文,时间复杂度为262.42次12轮加密,存储复杂度为2^(40).

基于最优均值的鲁棒线性判别分析的人脸识别

在本文中,我们提出了一种新颖的线形判别分析(RLDA)方法来完成人脸识别任务。重新构造一个利用schatten p范数约束低秩项的基于最优均值的鲁棒线形判别分析模型,在不同程度被污染的数据集上的实验结果证明了我们算法的优越性。

基于MILP的ESF和HBcipher积分区分器搜索

概括了可分性在积分分析中的现状,总结了混合整数线性规划(Mixed Integer Linear Programming,MILP)在积分区分器搜索中目前的结果与应用。在已知的可分性建模规则的基础上,针对ESF算法和HBcipher算法,设计合适初始可分性,建立MILP模型,并采用开源求解器进行积分区分器自动搜索。填补了HBcipher和ESF算法在积分分析上的空白,搜索到最多9轮的积分区分器,在8轮上也得到了较多平衡位的区分器。与其他密码分析做对比,ESF、HBcipher分组密码算法在积分分析上有很大的分析空间。

基于LDA降维和BP神经网络的手写数字识别

手写数字数据集是机器学习分类领域的优质数据集,文章以反向传播(Back Propagation,BP)神经网络为基础,对手写数字进行分类识别。为减少BP神经网络的计算开支,实验前,对比了过滤卡方检验法、主成分分析(Principal Component Analysis,PCA)降维、线性判别式分析(Linear Discriminant Analysis,LDA)降维以及多维尺度变换(Multidimensional Scaling,MDS)降维对特征选取的训练测试效果,从而确定了神经网络拟合之前的最优特征提取方法。实验中,利用Bagging对BP神经网络进行集成处理,分类识别了手写数字。实验后,将文中方法与朴素贝叶斯、决策树、随机森林、LDA多分类进行对比。结果表明,采取LDA降维方法时,降到9维的特征提取方式最优,单个BP神经网络对手写数字数据识别的准确率为92%左右,而基于Bagging集成的BP神经网络在识别准确率方面高达95%。

利用电子鼻分析熬制时间对3种食用菌汤风味的影响

对香菇、双孢蘑菇、牛肝菌3种食用菌进行熬制,得到不同熬制时间的菌汤。利用电子鼻技术对菌汤分别进行测定,通过主成分分析(PCA)和线性判别分析(LDA)两种分析方法对所得数据进行分析。结果表明:利用PCA不能很好区分不同熬制时间的菌汤风味,但能区分不同品种菌汤的风味,说明PCA是分辨不同种类菌汤的有效分析方法;利用LDA能明显区分不同种类食用菌汤及不同熬制时间的菌汤风味,说明LDA是分辨不同菌汤风味的有效分析方法。