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。

融合Fisher准则和势函数的多阈值图像分割

针对传统多阈值图像分割算法复杂度高、分割效果欠佳等问题,提出了一种基于Fisher准则和势函数相结合的多阈值图像分割方法。首先对Fisher准则函数进行简化,再对简化后的Fisher准则采用递推算法降低计算复杂度,然后由直方图势函数方法确定图像的分割类数,最后将改进的Fisher准则用于多阈值图像分割,并对最终分割结果进行后续处理。实验结果表明,融合Fisher准则和势函数的多阈值分割方法不仅分割效果好,而且分割时间短,能够运用到实时应用的场合。

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。

核函数FISHER鉴别在性别鉴别中的应用

该文在线性FISHER鉴别的基础上,探讨了核函数FISHER鉴别原理;然后将核函数FISHER鉴别用于性别鉴别中,并提出了相应算法;对ORL人脸图像数据库进行实验;详细分析了算法在不同样本分布和不同参数条件下的识别结果;表明了在两类模式识别中核函数FISHER鉴别理论具有良好的识别效果及极佳的推广能力。

基于Fisher准则函数的相关向量机模拟电路故障诊断

针对模拟电路故障与特征间存在的模糊组及交叠、分类效果不理想的情况,提出基于Fisher准则函数的最佳聚类数自适应估计方法和基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,采用模糊核聚类选择最优可诊断故障集,然后在贝叶斯框架下对故障进行分类。该模型可以对分类函数的权重进行推断,辅助进行诊断决策,提高了RVM模拟电路故障分类的效率和准确度。仿真表明提出的诊断模型在精度提高的情况下,更具稀疏性和泛化性。

Fisher准则函数在油水层识别上的运用

由于苏德尔特油田兴安岭群储层具有岩性多样性、储层孔隙复杂、测井参数确定难等特点,常规的油水层识别图版(如AC-Rt交会图)很难准确地识别油水层。运用Fisher准则函数将GR、DEN、AC三个测井参数拟合成一个参数F,由此建立该地区油水层识别的F-Rt交会图。研究表明,此方法对该地区油水层的识别符合率较高,简单快捷,结果直观,值得推广运用。

基于核函数Fisher鉴别的异常入侵检测

将核函数方法引入入侵检测研究中,提出了一种基于核函数Fisher鉴别的异常入侵检测算法,用于监控进程的非正常行为。首先分析了核函数Fisher鉴别分类算法应用于入侵检测的可能性,然后具体描述了核函数Fisher鉴别算法在异构数据集下的推广,提出了基于核函数Fisher鉴别的异常入侵检测模型。并以Sendmail系统调用序列数据集为例,详细讨论了该模型的工作过程。最后将实验仿真结果与其它方法进行了比较,结果表明,该方法的检测效果优于同类的其它方法。

基于Fisher准则函数的二维阈值图像分割算法

文章针对图像分割中小目标物体识别困难和抗噪声性能差的问题,引入模式识别中的Fisher评价函数作为图像分割准则函数,基于Fisher准则函数提出二维阈值分割新技术,结合二维直方图抗噪声性能强和Fisher准则函数受目标和背景比例影响小的特点,对图像进行分割。实验结果表明,方法具有较好的识别能力和较强的抗噪声性能。

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Fisher准则函数的图像阈值分割模型构建

图像分割是图像处理技术中较为热门的研究对象之一,目前图像阈值分割成为图像分割技术中的主要方式之一。但传统的图像阈值分割模型阈值计算误差较大,导致在多目标的情况下无法获得完整的图像分割结果。因此,构建基于Fisher准则函数的图像阈值分割模型。设计Fisher准则算法,将原始图像平滑处理并得到阈值计算标准。根据Fisher准则与分割阈值计算标准,完成图像边缘识别,计算图像边缘的灰度权重,得到图像分割阈值。使用人工蜂群算法在多个分割阈值计算结果中,得到最优分割阈值,并使用此分割阈值完整图像分割过程。构建实验环节,通过与其他两种模型对比可知,此模型可对多个目标进行分割,同时此模式的分割阈值计算误差较小。综合上述实验结果可知,此模型的使用效果优于目前使用的分割模型,且此模型的综合性能较高。

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 .

基于模糊Fisher准则的半模糊聚类算法

该文针对线性可分数据提出一种鲁棒的基于模糊Fisher准则的半模糊聚类算法FFC-SFCA。FFC-SFCA通过模糊化散布矩阵,将模糊理论引入Fisher判别方法,通过对模糊Fisher准则函数迭代优化实现聚类。FFC-SFCA的优势在于具有很好的鲁棒性且可以获得可分性好的聚类结果,同时,可以求得最优鉴别矢量和分类阈值。实验证实了FFC-SFCA的有效性以及对两个常规聚类算法的优越性。

基于最大散度差鉴别准则的自适应分类算法

首先证明了,当类内散布矩阵非奇异时,特定参数值c_0下最大散度差的最优鉴别方向等同于Fisher最优鉴别方向；其次,给出了最大散度差分类算法的识别率随参数C变化的曲线．该曲线通常为一脉冲曲线．随着参数C的增大,识别率也逐渐增大．当参数C增大到c_0时,识别率达到最大值．另外,以往的研究成果表明：当类内散布矩阵奇异时,最大散度差鉴别准则逐步逼近大间距线性投影准则．而且,随着参数C的不断增大,最大散度差分类算法的识别率也单调增大并最终稳定到大间距线性投影分类算法的识别率上．为此,我们提出了基于最大散度差鉴别准则的自适应分类算法．新算法可以根据训练样本的特性(类内散布矩阵是否奇异)自动选择恰当的参数C．在UCI机器学习数据库上的6个数据集以及AR人脸图像数据库上的测试结果表明,自适应最大散度差分类算法具有良好的分类性能．

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.

基于Fisher判别准则的逐步判别方法及其应用

本文在遵循 Fisher判别准则的基础上 ,提出了一种二级逐步判别的新方法 ,并应用于云南省五月雨量的预报中。理论分析和实际应用结果表明 ,此新方法具有理想的历史回报率和良好的外推预报能力。

Fisher极小准则不相关空间算法及其在人脸识别中的应用

不相关空间算法是一种基于广义Fisher准则求解不相关鉴别矢量集的快速算法,但该算法要求总体散度矩阵可逆.针对高维小样本的情况,文中提出求解不相关鉴别矢量集的改进方法.该方法的基本思路是在类间散度矩阵的值空间中运用广义Fisher极小准则求解鉴别矢量集,并讨论在该子空间中进行求解的合理性.针对高维情况下类间散度矩阵值空间的计算效率问题,提出首先利用PCA算法将数据降维,然后在低维空间中求解值空间的策略并讨论其合理性.在ORL人脸数据库上的实验验证该方法的有效性,其识别率高于传统的Fisher脸方法和不相关空间算法.

一类基于多目标规划的线性鉴别准则

两类Fisher鉴别准则、大间距线性投影准则以及最大散度差鉴别准则都是直接用于模式分类的两类线性鉴别准则,它们的共同点是将"投影后数据的可分性达到最大的方向"作为最优投影方向。区别在于它们对数据可分性的定义有所不同。过去的研究成果表明,大间距线性投影分类器与支持向量机之间、大间距线性投影准则与最大散度差鉴别准则之间以及最大散度差鉴别准则与两类Fisher鉴别准则之间,均存在着这样或那样的联系。论文试图在以往研究成果的基础上进一步理清这些两类线性鉴别准则之间的内在关系,并建立一个统一的理论框架从而将基于投影后数据可分性的这些两类线性鉴别准则都纳入其中。

基于Fisher准则特征融合策略的PNN车牌汉字识别

为克服图像二值化预处理的不利影响,提高汉字字符图像特征的表征能力,降低传统算法的训练复杂度,在此直接应用车牌字符灰度图像,基于Fisher准则对提取的Pseudo-Zernike矩特征和Gabor变换特征进行融合,在最佳鉴别矢量方向上求得表达能力更强的融合特征。训练结构简单、速度较快的概率神经网络作为识别器,实现车牌汉字的正确、快速识别。试验表明,此算法无需对车牌汉字图像二值化,与所采用的概率神经网络识别器相比,传统BP,SVM等的训练复杂度降低,速度提高,经表征能力更强的融合特征训练后,具有更高的识别准确率。

Fisher多级判别准则及其应用

论述了Fisher准则下多级判别的建模机理,并应用该原理将山东省胶南市第二代玉米螟百株累计卵量的3个影响因素压缩为一个新指标(即线性判别函数),用这一个新指标对样品按距离最小准则判别归类.结果表明,历史拟合率为100％。两年预报,其结果与实际一致.