基于聚类与判别分析的冷热电联产后评估建模方法

提出了一种基于聚类和判别分析的冷热电联产系统后评估建模方法.它是对一定数量的系统样本进行分析,得出指标权重、优化指标组合、系统分类和判别函数的建模方法.案例分析结果表明,利用该方法能建立准确可靠的后评估模型.该模型具有同时兼顾权值偏重、综合指标和各指标数据结构特点,对冷热电联产系统进行全面评价的能力.
     

中国南部海域不同地理群体条纹斑竹鲨的形态差异分析

运用4种多元分析方法对海南琼海、广东雷州、广西北海、福建平潭以及台湾屏东等5个不同地理群体条纹斑竹鲨(Chiloscyllium plagiosum)的19项特征变量进行了群体间差异分析和判别分析.分析结果显示,5个群体间有16项特征变量差异极显著(p<0.01);主成分分析得到的6个主成分对不同群体间总变异方差的贡献率分别为31.644%,14.417%,13.078%,11.499%,8.673%,6.818%,累计贡献率为86.130%;主成分分析和聚类分析结果均显示,福建平潭群体和台湾屏东群体形态最为相似,此外,广东雷州、海南琼海和广西北海3个群体间形态也较相似,但与福建平潭、台湾屏东两群体差异较大.以逐步判别法建立了条纹斑竹鲨5个群体的判别函数,判别准确率分别为:80.0%～100%(P1),85.3%～100%(P2),综合判别率达到93.4%.     

基于脊波变换的线性判别分析人脸识别方法

在线性判别的基础上提出了一种基于脊波变换的线性判别分析算法,有效地解决了传统线性判别分析算法的小样本问题.首先利用Radon变换将二维人脸图像转换为投影矩阵,然后进行小波变换获取脊波系数矩阵,最后采用线性判别分析方法提取特征后作分类.在ORL人脸数据库上的比较实验结果证实了该算法的有效性.     

Curvelet与子空间方法人脸识别的鲁棒性研究

曲波变换对曲线的有效表达使得它可以成功地应用于人脸识别,研究了曲波变换结合子空间方法用于人脸识别中的方向性和鲁棒性问题.针对人脸的表情变化,曲波的中高频系数获得了优于小波高频系数的性能,与曲波的中高频系数具有方向敏感性的特点相一致.针对光照变化.虽然曲波的低频受到较大影响,但中高频系数表现出与小波系数相当的性能,说明曲波在保持曲线敏感性的同时保有对光照变化的鲁棒性.     

一种新的线性判别准则在人脸识别中的应用

针对Fisher线性判别分析(LDA)在进行人脸识别这种小样本问题分类时常常遇到类内散度矩阵Sw奇异,而无法直接应用的问题,提出一种新的线性判别准则,即:定义一个新的准则函数,在对类内散度矩阵无奇异性要求的情况下,找到此准则函数最优的权向量.应用此判别准则和Fisher LDA方法分别在ORL人脸数据库上选取40个人的图像进行识别率的测试,Fisher LDA方法的识别率为0.95,而本文方法的识别率可以达到0.955,优于Fisher LDA方法.     

基于C均值K近邻算法的面部表情识别

随着人工智能与模式识别技术的不断发展,面部表情识别在智能人机交互中发挥着越来越重要的作用．通过对人的面部表情分类的研究,提出了一种使用C均值聚类、K近邻算法的面部表情分类方法．对参加训练的表情图像先进行Gabor小波变换,然后使用Fisherface判别分析方法进行变换,求得特征空间．再将已进行Gabor变换的标准表情图像投影到特征空间,进行C均值聚类得到子类表情模板．对于一幅待识别的表情图像,使用K近邻算法与子类表情模板比较,将该表情图像分类．使用该方法,在公开的日本女人表情人脸库上实测达到了95．8％的识别率．     

结合FDA与NMF的高光谱数据解混方法

高光谱图像解混是遥感图像处理的重要技术之一．利用非负矩阵分解（NMF）进行高光谱图像解混是近年来发展起来的一种方法．这种解混方法假设光谱具有稳定的光谱特性;但实际上光谱经常是多变的,这个现象影响着解混的精度．为了减小这一影响,首先利用Fisher判别分析（FDA）对高光谱数据进行线性变换,而后利用变换后的高光谱数据提出了一种FDA与NMF相结合的高光谱数据解混方法．实验表明新方法能够有效地提高解混精度与效率．     

基于支持向量的判别准则的比较

在经典线性判别分析(LDA)和软间隔支持向量机(C-SVM)的基础上,提出了支持向量判别分析(SVDA)和基于支持向量的极大化间隔判别分析(MSVDA).为了说明SVDA和MSVDA对分类问题的有效性和实用性,利用UCI数据库中的Wine数据和Iris数据进行了对比实验.实验结果表明,总体上,SVDA和MSVDA均比LDA有效.     

改进的双边二维线性判别分析的手背静脉识别

针对双边二维线性判别分析(B2D-LDA:Bilateral Two-Dimensional Linear Discriminant Analysis)方法中多类类别均值和总体均值接近时难以分类的问题,提出了一种改进的B2D-LDA(MB2D-LDA:Modified B2D-LDA)方法,并将其运用到手背静脉特征提取中.重新定义了类间离散度矩阵,融入了每两类类间的距离,当类别均值与总体均值接近时,则用该类和其他各类类间距离组成离散度矩阵.采用基于欧氏距离的最近邻分类器进行匹配识别.结果表明,在不增加识别时间的情况下,MB2D-LDA平均识别率比B2D-LDA高2％,证明了该算法的有效性.     

融合Fisher线性判别分析的多维特征融合情景感知推荐方法

针对采用单维特征建立用户的偏好模型所导致的推荐结果无法有效覆盖用户潜在偏好特征而影响推荐质量的问题,提出了一种基于Fisher线性判别分析的多维特征融合情景感知推荐方法。该方法建立了包含时间衰减度、属性偏好、偏好可影响程度等多维特征的偏好样本空间;采用特征融合、投影变换等方法,在最佳鉴别矢量空间基于Fisher判别准则融合用户的多维特征;采用拉格朗日乘子法求解最优投影方向,建立起多维特征优化的偏好获取模型。在BookCrossing与Netfilix数据集上的实验结果表明:与现有方法相比,所提方法的推荐准确率平均提高了16.61%,多样性平均提高了约38.01%,能够有效地覆盖用户的潜在偏好特征,并取得更好的推荐质量。