基于向量组的Fisher线性鉴别分析方法

提出了一种基于向量组的Fisher线性鉴别分析方法。该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析。这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值。此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广。

基于二维Fisher线性鉴别分析和粒子群优化的红外图像分割(英文)

二维Fisher线性鉴别分析的图像分割算法,考虑了图像中目标和背景之间类间方差和类内方差在类别分离中的作用,有效地克服经典Otsu阈值法当图像中目标的面积很小(直方图上表现为峰的大小相差很大或者没有明显双峰)时产生的阈值"漂移"现象,是一种有效的图像分割方法。针对二维Fisher线性鉴别分析计算量大的特点,采用粒子群算法来搜索最优二维阈值向量。每个粒子代表一个可行的二维阈值,通过粒子群之间的协作来获得最优阈值向量。实验结果表明,所提出的方法不仅能准确地分割图像,而且计算量大大减少,达到了快速分割的目的,便于实时应用。

小波树和Fisher线性鉴别的人脸识别

结合小波树和子空间分析中Fisher线性鉴别方法,本文提出基于小波树和Fisher线性鉴别的人脸识别算法(WAFLD)。该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;然后对小波近似分量进行二次小波分解,相应地计算出各小波近似分量;其后对三层分解的小波近似系数进行重新组合,得到一个新的样本集;最后在此样本集上使用Fisher线性鉴别方法进行人脸识别。ORL和CAS-PEAL-R1人脸库的实验结果表明,与Fisherfaces和Eigenfaces方法相比较,WAFLD方法的人脸识别率为99%,对光照条件、脸部表情变化有良好的鲁棒性。

Fisher线性鉴别分析的理论研究及其应用

Fisher线性鉴别分析已成为特征抽取的最为有效的方法之一 .但是在高维、小样本情况下如何抽取Fisher最优鉴别特征仍是一个困难的、至今没有彻底解决的问题 .文中引入压缩映射和同构映射的思想 ,从理论上巧妙地解决了高维、奇异情况下最优鉴别矢量集的求解问题 ,而且该方法求解最优鉴别矢量集的全过程只需要在一个低维的变换空间内进行 ,这与传统方法相比极大地降低了计算量 .在此理论基础上 ,进一步为高维、小样本情况下的最优鉴别分析方法建立了一个通用的算法框架 ,即先作K L变换 ,再用Fisher鉴别变换作二次特征抽取 .基于该算法框架 ,提出了组合线性鉴别法 ,该方法综合利用了F S鉴别和J Y鉴别的优点 ,同时消除了二者的弱点 .在ORL标准人脸库上的试验表明 ,组合鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到 97%的正确识别率 ,而且识别结果十分稳定 .

小样本情况下Fisher线性鉴别分析的理论及其验证

线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。近几年,在小样本情况下如何抽取F isher最优鉴别特征一直是许多研究者关心的问题。本文应用投影变换和同构变换的原理,从理论上解决了小样本情况下最优鉴别矢量的求解问题,即最优鉴别矢量可在一个低维空间里求得;给出了特征抽取模型,并给出求解模型的PPCA+LDA算法;在ORL人脸库3种分辨率灰度图像上进行实验。实验结果表明,PPCA+LDA算法抽取的鉴别向量有较强的特征抽取能力,在普通的最小距离分类器下能达到较高的正确识别率,而且识别结果十分稳定。

基于血流图和Fisher线性鉴别分析的红外人脸识别方法

为了从生物特征和统计角度来提高识别的性能,提出了一种基于血流图和Fisher线性鉴别(FLD)相结合的人脸识别方法,该方法首先利用血流模型把红外温谱图转换成血流图,能够利用人体的生物特征增加样本之间的类间距,并减少样本之间类内距,然后从统计特性出发,对血流图进行能最大化类间距和类内距的Fisher线性分析法。实验证明,血流图增加类间距和类内距的比值(RD),本方法得到了较好的识别结果。

基于Fisher线性鉴别特征融合的海底底质分类研究

提出了一种基于Fisher线性鉴别特征融合的海底底质分类方法。首先,分析了声学遥感可以进行海底底质分类与识别,但是现有的分类方法,存在特征量维数较大、分类器设计复杂、分类效果不佳、不能获得最佳鉴别矢量等缺陷。因此,提出一种基于Fisher线性鉴别特征融合的海底底质分类方法。该方法首先提取同一样本的12个统计特征量,然后利用特征融合技术将这12个特征量组合在一起,构成一个新的特征矢量空间,最后在该空间中利用Fisher线性鉴别分析进行最优鉴别特征提取。其次,以岩石、砾石、沙、泥四种沉积物为实验对象来开展水下实验。对回波数据进行预处理,然后对每一样本提取12个统计特征量,采用串行融合方法进行特征组合,最后采用Fisher线性判别分析得到最佳鉴别矢量特征,并送入最近邻分类器进行分类。最后,通过大量的实验数据对比,发现基于Fisher线性鉴别特征融合的海底底质分类方法比PCA方法和单一特征方法具有更高的正确分类率。

基于Fisher判别分析鉴别中药材种类及产地

本文根据 2021 年高教社杯全国大学生数学建模竞赛“中药材的鉴别”的数据进一步研究。中药材鉴别是中药学研究 的重要领域之一,其目的是通过分析中药材的光谱特征和其他物理、化学性质,来鉴别中药材的种类和产地,以提高中药的品质和 疗效。在实际应用中,结合药材的近、中红外的光谱特征以及不同药材的吸光度可以对中药材的产地进行综合性的鉴别。本文使用 R 语言软件,通过对数据进行标准正态变量变换(svn)处理后主成分分析、K-means 聚类,根据附件给出的几种药材的近红外光 谱数据,对数据进行相关性筛选,求出该未知数据与平均值的相关性,利用 Fisher 判别分析进行对比,最后鉴别药材的类别与产 地。另外建立 XGboost 模型及作多元线性回归模型鉴别不同产地的近、中光谱特征来辨别各类药材的产地以及种类。

基于核的Fisher非线性最佳鉴别分析在人脸识别中的应用

抽取最佳鉴别特征是人脸识别中的重要一步。对小样本的高维人脸图像样本,由于各种抽取非线性鉴别特征的方法均存在各自的问题,为此提出了一种求解核的Fisher非线性最佳鉴别特征的新方法,该方法首先在特征空间用类间散度阵和类内散度阵作为Fisher准则,来得到最佳非线性鉴别特征,然后针对此方法存在的病态问题,进一步在类内散度阵的零空间中求解最佳非线性鉴别矢量。基于ORL人脸数据库的实验表明,该新方法抽取的非线性最佳鉴别特征明显优于Fisher线性鉴别分析(FLDA)的线性特征和广义鉴别分析(GDA)的非线性特征。

一种改进Fisher准则的线性鉴别分析方法

目前线性鉴别分析以Fisher准则或是逐对类加权Fisher准则为依据,但前者不能限制离群类,后者计算量大,鉴于此,提出一种改进Fisher准则用于线性鉴别分析。回顾了Fisher准则和逐对类加权Fisher准则,指出其中问题产生的根本原因。提出类距离和类离群程度的定义,以类距离为依据判定各类离群程度,以类离群程度为参数赋予各类权值,重新计算总体类均值和类间离散度矩阵,以得到限制离群类、突出常规类的改进Fisher准则。这种改进Fisher准则计算简单,能有效限制离群类。

Fisher线性鉴别函数的一种推广形式

鉴于常用的两种Fisher鉴别函数在应对奇异问题时存在的不足,给出一种Fisher鉴别函数推广形式,它能将双子空间鉴别分析中两个子空间的鉴别函数统一起来.本文还通过QR分解得到一个正交鉴别向量集,它与Fo-ley-Sammon正交鉴别向量集的鉴别性能很接近,但计算量较小.在2种人脸库上进行实验,实验结果与理论分析一致.

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。

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。

基于红外光谱PCA-LDA统计分析的麻纤维鉴别研究

亚麻、汉麻与苎麻纤维的成分组成和物化性质高度相似,三者间的分类鉴别是纺织品检验检测领域的难点。本文对不同种类麻纤维的傅里叶变换衰减全反射红外光谱(ATR-FTIR)作主成分分析(PCA)和线性判别分析(LDA),创建麻纤维分类判别模型以鉴别三种易混麻纤维。选取亚麻、汉麻和苎麻纤维各60组作为样品集进行脱胶清洗处理并采集ATR-FTIR光谱。光谱归一化后对800~2000 cm-1波长的光谱作主成分分析,分析结果显示:随着主成分个数增加,主成分分数依据麻纤维类别逐渐显现聚类趋势,同时前12个主成分对归一化红外光谱数据的累计贡献率超过99.5%。以训练集前12主成分数为自变量,以麻纤维种类为因变量,通过线性判别分析构建了分类判别模型(典型判别函数和分类函数)。模型验证结果显示:典型判别函数可使前12个主成分分数矩阵根据麻纤维样品类型形成良好的聚类,分类函数对训练集和测试集中所有纤维样品的分类准确率达到100%。此外,PCA-LDA分类判别模型留一交叉验证的分类准确率仍能达到99.6%。结果表明,不同类别麻纤维的ATR-FTIR光谱存在差异,基于麻纤维ATR-FTIR光谱的PCA-LDA统计分析可实现亚麻、汉麻和苎麻三种易混麻纤维的快速无损鉴别。

Fisher大间距线性分类器

作为一种著名的特征抽取方法,Fisher线性鉴别分析的基本思想是选择使得Fisher准则函数达到最大值的向量(称为最优鉴别向量)作为最优投影方向,以便使得高维输入空间中的模式样本在该向量投影后,在类间散度达到最大的同时,类内散度最小。大间距线性分类器是寻找一个最优投影矢量(最优分隔超平面的法向量),它可使得投影后的两类样本之间的分类间距(Margin)最大。为了获得更佳的识别效果,结合Fisher线性鉴别分析和大间距分类器的优点,提出了一种新的线性投影分类算法——Fisher大间距线性分类器。该分类器的主要思想就是寻找最优投影矢量wbest(最优超平面的法向量),使得高维输入空间中的样本模式在wbest上投影后,在使类间间距达到最大的同时,使类内离散度尽可能地小。并从理论上讨论了与其他线性分类器的联系。在ORL人脸库和FERET人脸数据库上的实验结果表明,该线性投影分类算法的识别率优于其他分类器。

指纹图谱技术结合化学计量学方法鉴别制首乌产地的研究

目的建立一种指纹图谱技术结合化学计量学方法的制首乌产地快速鉴别方法。方法建立33批不同产地制首乌的指纹图谱并对其进行相似度评价,对色谱峰信息进行偏最小二乘判别法分析(PLS-DA)和线性判别分析。结果以对照指纹图谱为参照,不同批次药材间化学成分及含量差异较小,采用指纹图谱结合相似度的评价方法无法对其产地进行区分;选取PLS-DA分析法,基于变量权重重要性排序(VIP)值确定其中的差异标志物,由此建立不同产地制首乌的线性判别函数模型并对不同产地制首乌进行预测,模型对测试集的验证结果良好。结论指纹图谱技术结合化学计量学方法可作为一种有效鉴别不同产地制首乌的方法。

一种基于核的快速非线性鉴别分析方法

基于"核技巧"提出的新的非线性鉴别分析方法在最小二乘意义上与基于核的Fisher鉴别分析方法等效,相应鉴别方向通过一个线性方程组得出,计算代价较小,相应分类实现极其简便.该方法的最大优点是,对训练数据进行筛选,可使构造鉴别矢量的"显著"训练模式数大大低于总训练模式数,从而使得测试集的分类非常高效;同时,设计出专门的优化算法以加速"显著"训练模式的选取.实验表明,这种非线性方法不仅具有明显的效率上的优势,且具有不低于基于核的Fisher鉴别分析方法的性能.

一种基于Fisher鉴别极小准则的特征提取方法

特征提取是模式识别研究领域的一个热点.为了更好地解决人脸识别中的特征提取问题,定义了一种新的基于Fisher鉴别极小准则的特征提取方法,并且提出了类间散布矩阵零空间的概念,解决了先前Fisher线性变换方法中的最终特征维数受类别数的限制.在人脸数据库上的实验结果验证了该算法的有效性.

基于近红外的Fisher判别法鉴别废塑料

通过对化学计量学方法的分析研究,提出了一种基于近红外光谱的丙烯腈–丁二烯–苯乙烯塑料、聚对苯二甲酸乙二酯、聚氯乙烯、聚丙烯、聚苯乙烯和聚乙烯6种塑料的一次性鉴别模型,为近红外塑料识别软件的二次开发提供有效程序。结果表明,光谱经3次多项式、13窗口S–G最小二乘拟合平滑+sym17函数、分解2层小波分析+主成分分析+特征波长选择+Fisher判别处理,可得5个判别函数式。由这些函数式建立的判别模型可以实现6种塑料的一次性识别,其校正集样本自身验证和交叉验证的识别率分别为100%和84.9%,表明该模型稳定;预测集样本进行模型外部检验的准确率为100%,表明该模型可行。

基于核函数Fisher鉴别分析的特征提取方法

提出一种基于核函数的Fisher鉴别分析的故障特征提取方法。该方法通过内积核函数将原始特征空间映射到高维特征空间,然后在高维特征空间作线性Fisher判别分析,从而得到原始特征空间的非线性特征,最后应用滚动轴承的故障数据对该方法进行了检验。结果表明,与线性Fisher鉴别分析和核主元分析方法相比,基于核函数的Fisher鉴别分析更适合提取机械故障的非线性特征,它所提取的故障特征对故障具有更好的识别分类能力,并且对分类器具有较强的鲁棒性。