1) two-dimensional maximum scatter-difference discriminant analysis
二维最大散度差鉴别分析
2) two-dimensional maximum scatterdifference discriminant analysis
二维最大散度差线性鉴别分析
3) two-dimensional kernel maximum scatter-difference discriminant analysis (2D-KMSDA)
二维核最大散度差鉴别分析
4) maximum scatter difference discriminate analysis
最大散度差鉴别分析
1.
A new method of combination of Canonical Correlation Analysis(CCA) and Maximum Scatter Difference Discriminate Analysis(MSDDA) is developed in this paper.
提出了一种融合典型相关分析与最大散度差鉴别分析的特征抽取新方法。
2.
Then improved maximum scatter difference discriminate analysis is performed on the residual space to extract discriminate features of training samples and testing samples.
为了提高最大散度差鉴别分析方法在人脸识别中的识别率,提出了一种改进的基于差空间的最大散度差鉴别分析人脸识别算法。
5) kernel maximum scatter difference discriminant analysis
核最大散度差鉴别分析
1.
A novel kernel maximum scatter difference discriminant analysis(KMSDA) based on scatter difference criterion is developed for extraction of nolinear feature.
在非线性空间中采用新的最大散度差鉴别准则,提出了一种新的核最大散度差鉴别分析方法。
6) maximum scatter-difference discriminant analysis
最大散度差线性鉴别分析
1.
Two-dimensional maximum scatter-difference discriminant analysis not only essentially avoids the small sample size problem occurred in traditional Fisher discriminant analysis,but also saves much computational time for feature extraction.
二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的 Fisher 线性鉴别分析通常存在的 "小样本问题",而且特征抽取的速度有了大幅度的提高。
补充资料：最大的最大收益值准则
分子式：
CAS号：
性质： 也称最大的最大收益值准则。不确定型决策准则之一。其方法是：首先找出各方案的最大收益值，然后选择这些最大收益值中最大者所在的方案作为最满意方案。这个准则采取乐观主义态度，把方案最大收益值(或最小损失值)的自然状态，作为必然出现的自然状态采看待，从而把不确定型决策问题化为确定性决策问题来处理。选择最大收益值中最大的方案(对损失值来说就是选择最小损失值中最小的方案)作为最满意的方案，即取“最有利中之最有利”方案，所以亦称为“乐观的决策准则”。
CAS号：
性质： 也称最大的最大收益值准则。不确定型决策准则之一。其方法是：首先找出各方案的最大收益值，然后选择这些最大收益值中最大者所在的方案作为最满意方案。这个准则采取乐观主义态度，把方案最大收益值(或最小损失值)的自然状态，作为必然出现的自然状态采看待，从而把不确定型决策问题化为确定性决策问题来处理。选择最大收益值中最大的方案(对损失值来说就是选择最小损失值中最小的方案)作为最满意的方案，即取“最有利中之最有利”方案，所以亦称为“乐观的决策准则”。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条