基于非线性判别分析的故障分类方法研究

针对复杂机械故障的模式分类问题,提出一种基于非线性判别的多故障分类方法。与线性判别分析相比,基于核的判别分析更适于处理线性不可分的分类问题。分析了基于核的判别分析方法与核函数主元分析方法之间的联系与差异,指出了两者不同的应用背景,核函数主元分析适于检测机械设备异常状态的出现,而基于核的判别分析则适于在积累历史故障征兆基础上对多种机械故障进行分类识别。将上述方法应用于风机工作状态的分类识别与齿轮故障模式分类,结果表明该方法对于多种复杂的故障模式分类具有出色表现。

非线性无量纲化插值分类的一种新方法

文章通过对已有线性无量纲化方法的研究,及对异常点的分析,指出线性无量纲化方法的不足,并结合现有非线性无量纲化方法,归纳出非线性无量纲化方法的三种类型并说明了其特点。同时提出了一种新的非线性无量纲化方法,即基于反三角函数的无量纲化方法,并进行了相关实证研究。

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 。

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。

基于Fisher准则改进线性判别回归分类的人脸识别

为了提高线性回归分类LRC(Linear Regression Classification)算法的鲁棒性,提出一种基于Fisher准则改进的线性判别回归分类算法。首先根据Fisher准则最大化类间重建误差与类内重建误差的比值,为LRC找到最优投影矩阵;然后利用最优投影矩阵将训练图像及测试图像投影到各个类的特征子空间;最后,计算出测试图像与各个训练图像之间的欧氏距离,并利用K-近邻分类器完成人脸的识别。在FERET和AR人脸数据库上的实验验证了本文算法的有效性。实验结果表明,相比其他回归分类算法,该算法取得了更好的识别效果。

基于分类器判决可靠度估计的最优线性集成方法

多分类器集成的目标是充分利用每一个分类器的长处 ,既要发挥它们的最佳性能 ,又能克服单个分类器的弱点 ,以达到最优的系统识别性能 .该文提出一种基于分类器判决可靠度估计的多分类器集成方法 ,利用各分类器对当前输入样本的判决后验概率 ,实时估计它们的分类判决可靠度 ,并指导集成权重系数的分配 .该方法能够使集成权重更灵活地适应不同的输入变化 ,充分利用每个分类器当前的识别能力 ,从而获得更好的集成效果 .该文结合最小均方误差准则 (MSE)下的最优线性集成方法给出了权重模型和训练算法 ,并与其它的线性集成模型作了比较 .实验表明 ,不论在最优化准则下的最终误差还是在实际识别性能上 ,作者提出的方法都取得了最好的效果 .

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。

双向有序分类资料线性趋势分析方法的前提条件

目的 给出双向有序R×C表资料在作线性趋势分析时常用公式的适用条件。方法 运用统计量的分布理论和近似计算方法 ,求出公式中所涉及统计量的渐近分布。结果 对线性趋势分析方法的一般步骤作相应的补充并提出公式应遵循的条件。结论 只有满足前提条件 ,才可以保证线性趋势分析方法的有效性。

基于正则化边界Fisher分析和稀疏表示分类的人脸识别方法

边界Fisher分析(MFA)应用于人脸识别时会遇到小样本问题,如果用主成分分析进行降维来处理该问题,则会丢失一些对分类有益的分量;如果把MFA的目标函数用最大间距准则代替,则较难得到最佳参数。提出了一种正则化的MFA方法,该方法用一个较小的数乘上单位阵构造正则项,然后加到MFA的类内散度矩阵中,使得所得矩阵是可逆的,并且不会丢失对分类有益的分量,也容易确定其中的参数。因为一个样本通常能被少数几个距离比较近的同类样本很好地线性表达,在正则化MFA降维之后结合使用稀疏表示分类算法进一步提高识别率。在FERET和AR数据库上的实验表明,对比一些经典的降维方法,使用该方法能显著提高识别率。

Fisher二类线性判别在构件粘接强度分类判别中的应用

Fisher二类线性判别方法不仅适用于确定性模式分类器的训练问题 ,对于随机模式也是适用的。本文针对金属与非金属的搭接粘接质量的在线诊断要求 ,提出了一种新的Fisher线性判别门限值的选取方法。它比传统的判别门限值误判率大大减小。

基于多尺度小波变换和加权Fisher线性分类器的离线签名认证

采用多尺度小波变换来提取签名图像四个方向投影(水平、垂直、45度和135度)的相关特征。在签名认证阶段,采用加权Fisher线性判别(WFLD)来消除样本个数不平衡的影响,提高了签名认证的效率。

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。

一种基于线性的朴素贝叶斯分类器知识库的组织方法

提出一种基于线性的朴素贝叶斯分类器知识库组织方法。该方法按照朴素贝叶斯分类算法对所有条件概率进行统一计算,最后把计算结果储存在以枚举类型为下标的线性表当中,以便于快捷查找条件概率并结合先验概率来预测未知类属的样本。该方法具有可扩展性。

基于Fisher的线性判别回归分类算法

为了提高线性回归分类(LRC)算法的鲁棒性,提出了一种基于Fisher准则的线性判别回归分类算法。利用Fisher准则将类间与类内重建误差的比值最大化,找到线性回归分类的最优投影矩阵;再将训练图像及测试图像投影到各类的特征子空间;求得各训练图像与测试图像间的欧氏距离,最后用K-近邻分类器完成人脸识别。在AR人脸数据库上的实验结果表明,相比其他回归分类算法,算法取得了更好的识别效果。

面向不平衡数据集的线性分类方法研究

近年来,面向不平衡数据集的分类器学习与推广问题越来越受到人们的关注,在此以机器学习数据库、美国邮政编码、2维元音等国际上典型的分类问题为应用背景,重点研究如何用线性分类器解决样本数不平衡的问题;对Fisher、伪逆和单层感知器等3种典型的线性分类器做了深入的研究,并将这3种线性分类方法应用到不平衡数据集的分类中;通过实验及分析,这些新方法对平衡数据集的线性分类起到了良好的分类效果。

Fisher线性判别式阈值优化方法研究

Fisher线性判别式FLDs(Fisher linear discriminates)的常用阈值对不平衡数据集分类效果较差。以不平衡数据集为应用背景,主要研究各种阈值对FLDs分类性能的影响。认为影响FLDs性能的主要是类间分布区域不平衡而不是样本数不平衡,因此提出多个经验阈值,并依据分类精度从中选择优化阈值。大量实验结果表明,所提出的阈值优化选择方法能有效提高FLDs对不平衡数据集的分类性能。

非线性Fisher扩散方程的一类高效差分方法

非线性Fisher扩散方程是一类重要的数学物理方程,对其数值解法的研究有重要的科学意义和应用价值。研究提出非线性Fisher扩散方程的一类显-隐(explicit-implicit,E-I)差分方法和隐-显(implicit-explicit,I-E)差分方法,该方法由显式(explicit,E)差分方法和隐式(implicit,I)差分方法相结合构成,给出E-I和I-E方法数值解稳定性和收敛性分析,理论分析和数值实验均表明E-I和I-E方法是无条件稳定的,空间和时间均为二阶精度。在精度相近的情况下,其计算时间相比较于经典Crank-Nicolson差分方法节省了近34%,表明E-I差分方法和I-E差分方法求解非线性Fisher扩散方程是有效的。

基于Fisher权重改进的OB场景分类方法

目标库(object bank,OB)方法是一种使用了高水平语义特征的场景分类方法。针对OB方法使用过高维数的特征向量来表征图像的缺点,提出一种基于Fisher权重改进的OB方法。通过对没有进行空间金字塔处理的OB方法中的低维特征向量加以Fisher权重,使得新得到的特征向量具有极大化类间数据差异并且极小化类内数据差异的性质。实验表明,该方法与OB方法相比在分类效率上提高了10倍以上,并在分类的准确率上提高了3%左右。

基于深度学习算法的人事考评信息非线性映射方法

目前人事的考评方法无法准确获取考评指标,导致考评耗时高、考评精确度低、用户满意度低。为此,提出基于深度学习算法的人事考评信息非线性映射方法。采用深度学习算法对人事信息进行处理,获得人事信息的特征,并将其输入Softmax分类器中;根据特征分类结果,选取人事考评指标;采用非线性映射获取人事考评特征与考评等级之间的关系,完成人事的考评。实验结果表明,所提方法的考评耗时最高为37 s,考评精确度在95%以上,用户满意度接近100%。

增强Fisher判决的Bagging集成分类方法

提出了一种样本间的相似性度量方法,并将这种相似性度量信息附加到Fisher线性判别的类内、类间离散度矩阵,使得Fisher判决准则在使类内距离达最小、类间距离达最大的同时,也使类内相似度达最小、类间相似度达最大,获得比原始Fisher判别更好的投影矩阵。实验证明,与Bagging集成的Fisherface比较,该方法显示出更好的识别率。