一类离散分布参数的渐近最优经验Bayes估计

本文考虑一类离散指数分布族参数的多项式在平方损失下的经验Bayes(EB)估计.给定θ当前样本X的条件分布有P_θ(X=x)=p(x|θ)=h(x)β(θ)θ~x,x=0,1……的形状,此处h(x)>0,θ∈Ω={θ:θ>0,h(x)θ~x<∞}假定i)θ的先验分布族G∈,={G:dG<∞}.ii)存在有限常数A 使h~2(x)≤Ah(x-1)h(x 1),对x=1,2,……成立.则θ的k 阶多项式Q_h(θ)=(?)的“自然”BE 估计(定义见(8)式)是渐近最优(a,0)的.     

离散指标下的最近邻判别分析

设(θ,X),(θ_1,X,),…,(θ_n,X_n)是独立同分布的随机向量,θ∈{0,1},X∈x{0,1,2,…相似文献   

一类夹心变换半群的正则元

设T_X是非空集合X上全变换半群,E是X上等价关系,则T_?(X)={f∈T_X:?_x,y∈X,(f(x),f(y))∈E?(x,y)∈E}是T_X的反射等价关系的子半群.取定θ∈T_?(X),在T_?(X)上定义新的运算°为f°g=fθg,其中fθg表示一般意义上映射f、θ、g的复合.关于这个运算°,T_?(X)成为夹心变换半群T_?(X;θ).本文刻画了它的正则元,给出了T_?(X;θ)是正则半群的充要条件.     

保持两个等价关系的夹心半群的格林关系和正则性

设X,Y为非空集合,E,F分别为X,Y上的等价关系.称映射f:X→Y是EF-保持的,如果对任意x,y∈X,(x,y)∈E蕴涵(f(x),f(y))∈F.设T(XE,YF,θ)表示所有EF-保持的映射的集合,θ:Y→X是一个FE-保持的映射,对任意f,g∈T(XE,YF;θ),定义fog=fθg,则T(XE,YF;θ)在运算"o"下构成一个半群,称为保持等价关系EF的夹心半群,θ称为夹心映射.本文讨论了保持等价关系EF的夹心半群T(XE,YF;θ)上的格林关系以及正则元的特征.     

特征指数的不稳定性和在干扰下特征指数间的幅度

引和定义 1.给向量方程 dX/dt=A(t)X+F(t,X),(0.1) 那儿X和F(t,X)是向量,A(t)是t的实矩障,且 |F(t,X)-F(t,X)|≤δ|X-X|,(0.2) 那儿模|K|表示矩障(或向量)K之元素的绝对值之和。设首次近似组 dX/dt=A(t)x(0.3)     

分布自由的回归函数核估计的收敛速度

设(X1,Y1)、(X2,Y2)、…是取值于Rp×R上的随机向量(X,Y)的一列i.i.d样本,回归函数m(x)=E(Y|X=x)的核估计为mn(x)=n∑i=1 YiK(x-Xi/hn)/n∑i=1 K(x-Xi/hn)在不要求X具有密度函数f(x),对分布自由,即对所有X的分布μ和在核函数改进为包括无界支撑的,甚至不可积的情形下得出了回归函数m(x)=E(Y|X=x)的核估计及在删失情形下的收敛速度.     

Max(f,g)与 Min(f,g)的若干性质及其应用

设 f(x)与 g(x)是定义在实数集 X 上的二实值函数,则 max(f(x),g(x))与 min(f(x),g(x))也是定义在 X 上的二实值函数,记 M(x)=max(f(x),g(x)),m(x)=min(f(x),g(x)),x∈X.本文将在 f(x)与 g(x)满足某些条件下,导出函数 M(x)与 m(x)应具有的若干性质如下:性质1(有界性) 设 f(x),g(x)均在 X 上有界,则 M(x),m(x)也在 X 上有界。证由条件,则必存在数 k>0,使对任意的 x∈x,有|f(x)|≤ k和|g(x)|≤k 成立从而有|M(x)|≤k,|m(x)|≤k 成立.即 M(x)与 m(x)在 X 上有界。     

用于人脸识别的张量图优化的Fisher判别分析

最近提出的图优化的Fisher判别分析(Graph-based Fisher Analysis,简称GbFA)具有很强的判别性能,并成功地应用于人脸识别。但GbFA需要将二维的人脸图像矩阵转化为向量,因此容易丢失像点的空间关系。为此,提出用于人脸识别的张量图优化线性判别分析(Tensor Graph-based Fisher Analysis,简称TGbFA)。该算法把二维的人脸图像矩阵看作二维张量数据,并通过GbFA方法迭代求得两个投影矩阵。在Yale和YaleB的人脸库的实验表明,TGbFA算法继承了GbFA的特性,与现有的张量线性判别分析算法相比,TGbFA具有较好的判别性能。     

带有向量参数的参数线性规划解的连续性

本文证明了参数线性规划P(λ,μ,θ):min{c~T(λ)x|A(μ)x=b(θ),x≥0}当μ,λ不出现,b(θ)=b_1+Fθ,b_1∈R~m,F是m×t矩阵,θ∈R~t时,最优顶点集VS(θ)是下半连续的,还给出了当μ,θ不出现,c(λ)=c_1+Hλ,c_1∈R~n,H为n×r矩阵,λ∈R~r时,最优顶点集VS(λ)下半连续的充分必要条件.     

一个球极投影不等式的解析证明

设π：S^2→R↑^2为球极投影，若记X∈S^2的球极投影像为x，则对S^2上x3坐标不超过-cos2θ(0≤θ≤π／2)的任意两点X，Y，2cos^2θ|x-y|≤d(X，Y)≤2|x-y|其中等号成立当且仅当X=Y.     

改进的Fisher判别方法

对Fisher判别方法进行了改进,其主要思想是改变Fisher判别中以临界值为准则的判别方法,而以各总体的投影值所确定的正态分布的密度函数作为样品归类准则,并形成多次判别.例子表明,该方法优于Fisher判别方法.     

采用Fisher分类法实现清浊音判决

采用Ｆｉｓｈｅｒ分类法实现清浊音判决，计算机模拟结果显示，该方法准确率达９７．４＾，优于传统的清浊音判决算法。     

学生成绩的Fisher判别

用逐步判别的方法分析某校学生后续课程多媒体制作软件学习成绩与前面所学各科成绩及招生类型之间的关系.再用Fisher判别方法建立多媒体制作软件学习成绩的线性判别函数,用此函数回代判别结果及对其他学生成绩的判别结果是令人满意的.     

Fisher Z分布流形的几何结构

Fisher Z分布作为一个统计分布在实际中有广泛的应用。首先从信息几何的角度对该分布进行了分析,在分布的参数取其允许值时研究其全体所组成的流形几何结构;讨论了Fisher Z分布流形的对偶结构及其平坦性,进而给出了该流形的黎曼度量、α仿射联络和α曲率,并在该统计流形上定义了散度来衡量两点之间的距离;最后给出了Fisher Z分布流形在高一维欧氏空间中的一个图浸入。     

基于多层自动编码机的fisher判别分析

在常见的特征提取方法中,Fisher判别分析（Fisher Discriminant Analysis,FDA）只能提取线性特征,基于核的方法具有提取非线性特征的能力,但对核函数类型及其参数十分敏感. 文中研究如何有效提取数据特征,提出了一种基于多层自动编码机（Stacked AutoEncoders,SAE）和Fisher标准的特征提取算法,该算法中所使用的深度学习网络模型在训练过程中结合无监督特征提取SAE以及有监督的特征提取FDA. 通过与多层自动编码机、极限学习机（Extreme Learning Machine,ELM）等模型提取的特征进行对比,在数据集Pendigits、mnist、ORL和AR上利用支持向量机对数据特征进行分类,结果表明基于SAE的Fisher变换（FDA-SAE）在分类结果准确率以及分类时间上都有较好的效果. 特别是在小数据集AR上,当样本特征较少的情况下效果非常明显.     

基于核 Fisher 判别的说话人辨认

针对语音特征的自身特点,通过对Fisher判别技术的研究,提出采用核Fisher判别技术来解决说话人辨认.核Fisher判别技术在判别中使用所有训练样本,显著提高了系统的识别率.实验数据表明,该方法在不影响系统实时性的情况下,有效地提高了说话人辨认系统的识别率.     

正交边际Fisher分析在人脸识别中的应用

提出了一种新的名为正交边际Fisher分析的方法用于降维,并且证明了了该方法可以同时最大化类内数据的紧致性和最小化类外数据的分离度。在人脸识别的实验中,表明该方法的性能比原来的边际Fisher分析有较大的提高。     

一种基于Fisher准则的说话人识别方法研究

在说话人识别系统中,提高反映说话人个性的语音信号特征参数的有效性和实时性是问题之一.本文在使用线性预测系数倒谱(LPCC)和美尔倒谱系数(MFCC)计算特征参数的基础上利用Fisher准则,构造了一种新的混合特征参数.这种新的参数在不增加系统计算量的同时,结合了LPCC和MFCC各自的优点,具有更好地表征说话人特征的能力,并在一定程度上消除特征的信息冗余,有利于信息的实时处理.     

大间距无相关边界Fisher鉴别分析

针对边界Fisher鉴别分析方法存在的小样本问题以及所求出的鉴别矢量集缺少约束限制的缺陷,提出了一种大间距无相关边界Fisher鉴别分析方法.该方法采用最大化描述样本数据可分性和紧致性的矩阵之差作为目标函数,避免了边界Fisher鉴别分析的小样本问题;对于无相关鉴别矢量集的求解,给出了先构造无相关空间,再进行特征值分解的求解策略.仿真结果表明,该方法在识别性能上优于已有的边界Fisher鉴别分析及其改进方法,且避免了使用繁琐的迭代方法求解不相关鉴别矢量集,具有一定的实用价值.