置信区间宽度等高线图在线性混合效应模型样本量规划中的应用

线性混合效应模型在分析具有嵌套结构的心理学实验数据时具有明显优势。本文提出了置信区间宽度等高线图用于该模型的样本量规划。通过等高线图,确定同时符合检验力、效应量准确性以及置信区间宽度要求的被试量和试次数。结合关注被试内实验效应和被试变量调节效应的两类典型模型,通过两个模拟研究,采用基于蒙特卡洛模拟方法,探索效应量、随机效应大小和被试变量类型对置信区间宽度等高线图及样本量规划结果的影响。

基于改进3E-LDA的织物图像分类算法

针对训练样本数太少(训练样本数量小于数据维数)导致的模型分辨能力下降问题,提出了一种基于正则化改进3E-LDA的织物图像分类算法(I3E-LDA算法)。首先利用类加权中值代替样本均值计算类内散点矩阵,削弱离群值和噪声的影响,以此作为非参数加权特征提取法对类内散点矩阵进行正则化。然后利用目标组合的方法,通过引入平衡参数对目标函数进行正则化,来保留更具判别性的特征数据。通过不同织物图像间更具判别性的特征数据可以更好地对其区分。结合改进的零空间法解决类内散点矩阵奇异性和小样本问题,从而提高分类准确率。在阿里天池织物数据集和花色织物图像上进行训练和测试,将图像按照正常图像和非正常图形(瑕疵图像)进行区分。实验结果表明,I3E-LDA算法有效实现了织物图像分类,且对于较少的训练样本(20%~40%的样本用于训练)提升了分类精度。

鸡粪堆肥中的细菌群落组成及多样性分析

【目的】了解鸡粪堆肥过程中不同发酵阶段优势细菌群落的变化情况,为改善鸡粪堆肥工艺及提高堆肥效率提供参考依据。【方法】对不同发酵时间鸡粪堆肥样品进行细菌高通量测序,分析其Alpha多样性和相对丰度,并对获得的有效序列在门、纲、目、科、属、种水平进行聚类,使用LEfSe(LDA effect size)分析不同发酵时间样品间的物种相对丰度差异,从而进一步分析鸡粪堆肥过程中的优势菌群落特征和变化情况。【结果】鸡粪堆肥在各发酵阶段的细菌群落多样性一直处于动态变化中,其中,堆肥上层和中层的细菌群落多样性均呈先上升再下降最后又略微上升的变化趋势,下层的细菌群落多样性表现与上层和中层相反。在门水平,鸡粪堆肥的厚壁菌门(Firmicutes)在各发酵阶段均为主要类群,变形菌门(Proteobacteria)和拟杆菌门(Bacteroidetes)的相对丰度在高温阶段降低,首次在鸡粪堆肥中发现厌氧的盐厌氧菌门(Halanaerobiaeota)且其相对丰度随着堆肥时间的延长逐渐上升。在属水平,鸡粪堆肥起始阶段的优势菌属为乳杆菌属(Lactobacillus)及一些潜在的致病菌属如肠球菌属(Enterococcus)、埃希氏-志贺菌属(Escherichia-Shigella)、韦荣氏球菌属(Veillonella)和库特氏菌属(Kurthia),其相对丰度均随着堆肥时间的延长逐渐下降,并被堆肥后期的优势菌群盐胞菌属(Halocella)和芽孢杆菌属(Bacillus)替代。LEfSe分析也表明,堆肥发酵能降低鸡粪中潜在的致病菌属相对丰度。【结论】鸡粪在堆肥过程中其细菌群落结构随着发酵时间的延长发生变化,厚壁菌门为鸡粪堆肥各阶段的主要类群,变形菌门和拟杆菌门主要存在温度较低的发酵阶段。首次发现盐厌氧菌门在堆肥过程中的相对丰度占比较高,并随着堆肥时间的延长逐渐升高。堆肥发酵能显著降低鸡粪潜在病原菌属的相对丰度。

基于组态分析的数字直播活动效果提升路径研究

[目的/意义]数字直播是企业开展网络活动的重要方式。通过发现能够使企业数字直播活动创造更大价值的要素或要素组合,并采取多途径增强这些要素,从而达到企业数字直播活动效果提升的目的,这对企业发展有创新指导意义。[方法/过程]选取4个与数字直播活动相关的影响因素作为条件变量,采用活动效果作为结果变量,并结合清晰集定性比较分析与线性判别降维对烟草领域数字直播活动的数据进行组态分析。[结果/结论]研究发现,单个因素并不构成提升数字直播活动效果的必要条件,应考虑不同条件因素的组合;存在游戏辅助型和话题支撑型两条组态路径能改善数字直播活动的效果;这两条路径适用不同的数字直播形式,企业应根据自身需求进行选择并在实践中细化路径。

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。

直接LDA在人脸识别中的鉴别力分析

直接线性鉴别分析(DLDA)曾被声明利用类内离散矩阵零空间内外所有鉴别信息,为了分析声明的理论缺陷,对DLDA在人脸识别中的鉴别特性进行了研究.鉴于DLDA是在类间离散矩阵列空间中寻找最优解,理论分析从下面3方面内容展开:类间和类内离散矩阵的列空间之间的关系、类间离散矩阵列空间与类内离散矩阵零空间的关系以及在保留全部鉴别矢量下的DLDA特性,结果表明,在小样本条件下,DLDA几乎没利用零空间内的信息,导致一些有用的鉴别信息的丢失;若保留全部的鉴别矢量,DLDA退化为类间离散矩阵的保留所有非零成分的主成分分析.在人脸数据库ORL和YALE上的比较实验结果显示:DLDA的识别率都次于其它几种线性鉴别分析扩展方法,与理论分析一致.

基于LDA算法的人脸识别方法的比较研究

线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。但是将LDA直接用于人脸识别会遇到维数问题和“小样本”问题。人们经过研究,通过多种途径解决了这两个问题并实现了基于LDA的人脸识别。文章对几种基于LDA的人脸识别方法做了理论上的比较和实验数据的支持,这些方法包括Eigenfaces、Fish-erfaces、DLDA、VDLDA及VDFLDA。实验结果表明VDFLDA是其中最好的一种方法。

利用标准化LDA进行人脸识别

线性判别分析 (LDA)是一种较为普遍的用于特征提取的线性分类方法 提出一种基于LDA的人脸识别方法———标准化LDA ,该方法克服了传统LDA方法的缺点 ,重新定义了样本类间离散度矩阵 ,在原始定义的基础上增加一个由类间距离决定的可变权函数 ,使得在选择投影方向时 ,能够更好地分开各个类的样本 ;同时 ,它采用一种合理而有效的方法解决矩阵奇异的问题 ,即保留样本类内离散度矩阵的零空间 ,因为这个空间包含了最具有判别能力的信息 在这个零空间里 ,寻找对应于样本类间离散度矩阵的较大特征值的特征向量作为最后降维的转换矩阵 实验结果显示 ,在人脸识别中 ,与传统LDA方法相比 ,该方法有更好的识别率

不同波长提取方法的高光谱成像技术检测番茄叶片早疫病的研究

提出了基于连续投影算法（successive projections algorithm ，SPA）、载荷系数法（x-loading weights ， x-LW）和格拉姆-施密特正交（gram-schmidt orthogonalization ，GSO）提取特征波长的高光谱成像技术检测番茄叶片早疫病的方法。首先获取380～1023 nm波段范围内70个健康和70个染病番茄叶片的高光谱图像信息，然后提取健康和染病叶片感兴趣区域（region of interest ，ROI）的光谱反射率值，建立番茄叶片早疫病的最小二乘-支持向量机（least squares-support vector machine ，LS-SVM ）鉴别模型，建模集和预测集的鉴别率都是100％。再通过SPA 、x-LW和GSO提取特征波长（effective wavelengths ，EW），并建立EW-LS-SVM和特征波长-线性判别分析（ew-linear discriminant analysis ，EW-LDA ）鉴别模型。结果显示，每个模型的鉴别效果都很好，EW-LS-SVM模型中预测集的鉴别率都达到了100％，EW-LDA模型中预测集的鉴别率分别是100％，100％和97.83％。基于 SPA ， x-LW 和 GSO 所建模型的输入变量分别是4个（492，550，633和680nm），3个（631，719和747 nm）和2个（533和657 nm），较少的特征波长便于实时检测仪器的开发。结果表明，高光谱成像技术检测番茄叶片早疫病是可行的，SPA ，x-LW和GSO都是非常有效的特征波长提取方法。

一种适用于小样本问题的基于边界的特征提取算法

特征提取技术是模式识别领域进行数据降维和强化判别信息的有效方法．线性判别分析是监督特征提取方法的典型代表,获得广泛应用,但受到小样本问题的制约．对此提出一种适用于小样本问题的基于边界的特征提取算法．算法利用高维数据小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点,定义了新的类别边界,不但考虑了由线性判别分析提出的类内、类间离散度,也兼顾各类别的方差差异性．通过极大化该边界获得最优投影向量,同时避免因类内离散度矩阵奇异导致的小样本问题．进一步将算法推广到多类问题．高光谱数据特征提取与分类实验表明,算法在小样本情况下对于两类和多类问题均具有良好的推广性能,优于多种线性判别分析的改进算法,并且在样本较多时也取得了满意结果．

基于行列特征复融合的人脸识别

针对基于行列投影特征融合的二维线性判别分析中存在的问题,提出一种行列特征复融合的人脸识别算法。通过二维线性判别分析获得行和列的特征矩阵融合成一个复特征矩阵,从复特征矩阵重提取最具分类能力的系数组成特征向量。利用AT&T和AR人脸数据库对该算法进行性能测试,结果表明该算法具有较高的识别率。

在小样本条件下直接LDA的理论分析

直接线性鉴别分析(DLDA)是一种以克服小样本问题而提出的LDA扩展方法,被声明利用了包含类内散布矩阵零空间外的所有信息。然而,很多反例表明事实并非如此。为了更深入地了解DLDA的特性,该文从理论上对其进行了分析,得出结论:基于传统Fisher准则的DLDA几乎没利用零空间,将丢失一些有用的鉴别信息;而基于广义Fisher准则的DLDA,若满足一定条件(在高维小样本数据应用中一般都满足)且最优鉴别矢量正交约束,则其等价于零空间LDA和正交LDA。在人脸数据库ORL和YALE上的比较实验结果亦与理论分析一致。

基于多尺度自适应LDA的人脸识别方法

在人脸提取特征时,线性判别分析(LDA)方法受到光照、姿态等因素引起的高频部分影响较大,忽视了可能含有重要鉴别能力的低频信息。同时,人脸识别属于小样本问题,会使类内散布矩阵发生严重退化。针对以上两个问题,提出了一种基于多尺度自适应线性判别分析(MA-LDA)的人脸识别方法,并在ORL和Yale人脸库中进行了验证。MAT-LAB编程实验结果表明,该方法比传统方法有更好的性能。

一种基于广义2DLDA算法在人脸识别的应用

提出一种基于广义的2DLDA算法,简称:G2DLDA.首先,由于2DLDA算法提取的特征向量矩阵S-1wSb通常不是标准正交特征向量矩阵,因此该方法会严重影响特征提取的质量.本文根据Sw矩阵是对称正定的,即:具有Sw=S1/2w×S1/2w性质,将2DLDA算法的特征向量矩阵转化成基于标准正交特征向量矩阵,即:S-1/2wSbS-1/2w.其次,G2DLDA算法与2DLDA一样不会产生小样本事件,因为方程式S-1/2wSbS-1/2wv=λv的右端为单位矩阵,是满秩的.最后,G2DLDA算法采用基于Cosine-范数度量方式进行分类,实验证明该度量方式优于其他度量方式,如:欧氏距离度量方式以及F-范数度量方式.在实验阶段,本文采用Yale、ORL和JAFFE三个数据库对该算法进行测试与分析,实验结果证明该算法具有较好的鲁棒性,同时能够获得较高的识别率.

基于两空间线性鉴别分析的小样本人脸识别

指出了线性鉴别分析及其几种改进方法在处理小样本人脸识别问题时存在的不足,提出了一种基于两空间线性鉴别分析的小样本人脸识别方法。首先将样本投影到总体散布矩阵的非零空间中进行分析;进而将类内散布矩阵分成零空间和非零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类。实验结果表明,在进行小样本的人脸识别时,该方法的识别效果优于其他线性方法。

基于值域空间中类零子空间分析的模式判别

本文提出了一种新的基于值域空间中类零子空间分析(CNSA)的模式判别方法。CNSA方法首先获取全体训练样本的值域空间,然后在值域空间中定义了各个子类的类零子空间(CNS)及其正交补空间。类零子空间及其正交补空间上都含有有效判别信息。CNS上的类内距离为零,第i类的样本到其中心的相对距离远小于到其他类的中心的距离。在对值域空间和新的CNS的性质进行分析的基础上,构造到各个类的特征空间的投影矩阵。通过计算待测样本到各特征子空间的距离,CNSA算法不但能够对属于已知模式的样本作分类判决,还能发现新模式类。在太赫兹时域光谱数据集和COIL100数据库上,将提出的CNSA算法与相关算法进行了实验比较,实验结果验证了本文CNSA算法的优越性。

基于最大散度差判别分析的一种目标识别方法

针对线性判别分析(LDA)在多类高维小样本模式的分类中存在的"小样本问题"和"次优性问题",提出了一种基于最大散度差判别准则的监督维数约简方法。首先,构造类内和类间离散度函数;然后采用最大散度差判别准则设计最佳判别目标函数,得到映射矩阵和提取分类特征。该方法省略了求解逆矩阵过程,从而避免了传统的LDA存在的小样本问题;最后,在真实飞机图像数据库上的识别实验结果验证了该算法的有效性。

不相关最佳鉴别矢量集的有效算法

线性鉴别分析中处理小样本问题的方法有两类:①在模式识别之前,通过降低模式样本特征向量的维数达到消除奇异性的目的;②发展算法获得低维鉴别特征。将这两种方法结合起来,解决了高维小样本情况下基于广义Fisher线性鉴别准则的不相关最优鉴别矢量集的求解问题,给出了抽取最优鉴别矢量的有效算法。

基于2D-PCA的两级LDA人脸识别方法

线性鉴别分析(LDA)小样本问题的已有解决方法在构造最优投影子空间时未完整利用LDA的4个信息空间,为此,提出一种基于二维主成分分析(2D-PCA)的两级LDA人脸识别方法。采用减法运算对样本类内散度矩阵和类间散度矩阵的特征值矩阵求逆,以解决小样本问题,并连续应用Fisher准则和修改后的Fisher准则连接2个投影子空间,获取包含LDA的4个信息空间的最优投影方向,利用2D-PCA对输入样本做预处理,以减少计算复杂度。在ORL和YALE人脸库上的实验结果表明,该方法虽然训练时间略有增加,但识别率分别为92.5%和95.8%,优于其他常用LDA算法。