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。     

一种基于Bagging算法的高斯过程集成建模方法

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用Bagging和高斯过程回归算法,提出一种基于Bagging算法的集成高斯过程软测量建模方法.该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成多个高斯过程模型,并通过加权组合方式进行集成,得到最终的模型输出.将该方法应用...     

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.     

一种基于ICA的特征Bagging支持向量机集成方法

为提高支持向量机集成的泛化性能,提出一种基于独立成分分析法的特征Bagging支持向量机集成方法,删除了冗余特征.该方法从得到的独立成分特征空间中提取特征子空间,避免了直接从原特征空间中随机选择特征子空间而导致的对特征依赖或相关性的破坏,提高了个体支持向量机的性能,保证了个体支持向量机之间的差异度.在UCI和Stat-Log数据集合上的仿真实验表明,该方法具有更好的泛化性能.     

一种基于多通道Gabor小波与2DFLD的人脸识别方法

为了降低人脸图像的Gabor特征的维数,提高计算效率,提出了一种多通道Gabor小波与二维Fisher线性判别(Two-dimensional Fisher linear discriminant,2DFLD)相结合的人脸识别方法.在每个通道用2DFLD进行特征提取和分类,然后进行决策融合以便决定测试人脸的类别.在CAS-PEAL-R1与ORL人脸数据库上的试验结果表明,所提出的方法具有较好的识别性能,尤其在CAS-PEAL-R1人脸数据库的表情子库上,所提出的方法的最佳识别率能达到99%以上.     

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。     

步态信号采集与分类平台的设计与实现

低成本、易实施、无接触式的步态信号采集与分类平台可为步态的定量评估、智能诊断提供新的研究路径与参考思路。应用改进经验模态分解(empirical mode decomposition, EMD)结合Bagging正则化共空间模式(Bagging regularized common spatial pattern, BRCSP)与Fisher线性判别分析法(Fisher linear discriminant analysis, FLDA)设计了步态信号采集与分类平台。该平台将采集到的步态信号通过改进EMD进行滤波,抑制高频干扰噪声,提取真实、有用的本征模态分量(intrinsic mode function, IMF)进行信号重构,从而得到包含完整、准确步态信息的信号;再通过BRCSP特征提取方法强化步态信号的个体差异性及共同特征,提取出显著的特征分量;最后应用FLDA方法将特征向量映射到低维度空间中并进行步态分类。实验结果表明,该平台能准确分类进入红外、激光检测区域内的不同步态,平均分类准确率达到96.6%。     

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明：集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。     

一种基于高斯模型的人脸检测方法

提出了一种在复杂的灰度图像上使用高斯模型检测人脸的方法．该方法首先使用自组织映射网络为每个训练样本确立类别标签,然后用改进的Ksher线性判别模型对所有样本进行投影以尽可能拉大各类之间的距离,最后使用高斯分布对每类样本进行建模．高斯分布的参数使用极大似然估计法求得．实验显示,该方法的检测正确率令人满意。     

用FastICA和Fisher准则提取脑电信号特征

脑-机接口(BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是一种常用的脑-机通信方法.它介绍了一种基于P300视觉诱发电位的脑电信号特征提取方法,选取三名实验者的数据用于实验分析.采用独立分量分析的固定点算法(FastICA)和Fisher准则进行特征提取,用支持向量机对提取的特征数据分类,并与主分量分析和Fisher准则相结合的特征提取方法作了比较,FastICA有很好的特征提取能力.     

基于大间距准则的混合核Fisher判别分析

针对KFDA算法中存在的问题,提出了基于大间距准则的混合核Fisher人脸特征提取算法;首先,将原始数据通过非线性映射投影到高维数据空间;然后,引入大间距准则和混合核函数使得同类样本在投影后离得更近,不同类样本在投影后离得更远;在PIE和AR人脸库中的仿真实验验证了算法的有效性和稳定性。     

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.     

基于Fisher判别分析法的无粘性土渗透破坏类型判别

运用Fisher判别分析理论,选取6个特征粒径和孔隙率共7个指标参数,针对无粘性土管涌和流土的判别问题,建立了Fisher线性判别函数模型.利用回代估计法对模型进行检验,误判率为0.将所建立的模型用于其它9个案例的预测,结果与实际情况吻合良好.模型检验及实例计算结果表明,本文方法科学合理且可操作性强,能够为无粘性土渗透破坏类型的判别提供一条新的途径.     

基于杂交式基因选择的核Fisher分类算法

为提高核Fisher算法（KFDA）的分类性能，对KFDA算法增加了基因选择步骤．提出了新型的杂交式基因选择算法并用于KFDA分类研究，所提出的方法用于3个基因芯片的数据分类，得到较好的分类效果．     

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.     

基于费歇判别分析的企业财务困境预警研究

选取2011年127家ST公司为财务困境公司,并对每个困境公司进行配对,利用财务困境公司和非财务困境公司T-2年现金流量数据,在费歇判别分析基础上,利用现金与总资产比率、每股收益增长率、净资产增长率、每股经营现金净流量和净利润现金含量5个现金流指标构建现金流量财务困境预警模型,模型整体判别准确率为88.2%.最后,通过ROC曲线对模型判别结果进行检验。     

一种基于Fisher最优判据的人脸识别新方法

通过对一种计算奇异类内离散度矩阵的Fisher最优判据方法的改进 ,提出一种改进的Fisher最优判据 ,并应用于人脸识别中 .在Olivetti_OracleResearchLab(ORL)和Yale标准人脸库上的识别结果显示 ,此方法比主元分析方法 (PCA)和直接线性判别分析方法 (DirectLinearDiscriminantAnalysis,DLDA)有更好、更高的识别效果 .