1) Fisher Linear Discrimination Analysis
Fisher线性鉴别
1.
The Technology of Face Recognition Based on Fisher Linear Discrimination Analysis;
基于Fisher线性鉴别分析的人脸识别方法研究
2) Fisher linear discriminant analysis
Fisher线性鉴别分析
1.
Cosidering the so-called "Small Sample Size"(SSS) problem in nature and the "inferior" problem in traditional Fisher linear discriminant analysis, a new method of feature extraction based on modified maximum scatter-difference criterion is developed in this paper.
针对传统的Fisher线性鉴别分析在人脸这样的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",该文提出了一种基于修正的最大散度差鉴别准则的线性鉴别分析方法。
2.
Fisher linear discriminant analysis(LDA),a well-known feature extraction method,searches for the projection axes on which the data samples from different classes are far from each other while requiring data samples of the same class to be close to each other.
作为一种著名的特征抽取方法,Fisher线性鉴别分析的基本思想是选择使得Fisher准则函数达到最大值的向量(称为最优鉴别向量)作为最优投影方向,以便使得高维输入空间中的模式样本在该向量投影后,在类间散度达到最大的同时,类内散度最小。
3.
These methods include principal component analysis (PCA), Fisher linear discriminant analysis (FLD), statistically independent linear discriminant analysis, Adaboost algorithm, and support vector machine (SVM) .
系统地研究了不同的特征提取方法和分类方法在性别分类问题上的性能,其中包括主分量分析(PCA)、Fisher线性鉴别分析(FLD)、最佳特征提取、Adaboost算法、支持向量机(SVM)。
3) Fisher Linear Discriminate Analysis(FLDA)
Fisher线性鉴别分析(FLDA)
4) Kernel Fisher Linear Discriminant Analysis(KFDA)
Fisher非线性鉴别分析
5) Fisher linear discriminant
Fisher线性判别
1.
Relative energy attached to each subspace was calculated as eigenvalue and feature dimension reduction was conducted by Fisher linear discriminant analysis.
针对表面肌电信号的分类问题,采用最佳小波包分解构造最能体现分类能力的小波包基,用Fisher线性判别分析对肌电信号各个子空间的相对能量特征进行降维处理,然后利用BP神经网络进行分类识别。
2.
The method uses a self-organizing map to obtain the class label for each training sample and enhanced Fisher linear discriminant(EFM) to find the optimal projection for pattern classification,and a Gaussian distribution to model the class-conditional density function of the projected samples for each class.
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 Fisher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 。
3.
Finally,PCA and Fisher linear discriminant are used to reduce the dimensiona-lity and optimize discriminative classification respectively.
寻求有效且分类性能高的人脸表征方法至关重要,在局部二值模式(LBP)的纹理提取基础上,引进一种改进的新型的局部三值模式(LTP)纹理特征提取方法,此方法对光照变化和噪声更加鲁棒且更有利于分类,最后采用PCA和Fisher线性判别分析对特征空间进行降维和最优鉴别分类。
补充资料：Cornish-Fisher展开
Cornish-Fisher展开
Cornish - Fisher expansion
C仪nish一Fi劝er展开!C.mi劝一Fisher exl倒圈I佣;】心甲-“。tua一中”.ePa Pa300欲二e」 一个(接近标准正态)分布的分位数用标准正态分布的相应分位数按一小参数的幂的渐近展开.它曾由E.A.Cornish和R .A.曰sher(【l〕)加以研究.如果F恤，门是依赖于参数t的分布函数，小(劝是具有参数(01)的标准正态分布函数，且当t，O时F(x，t)一中(劝，那么，在对川x，t)施加某些假定下，函数义=F‘I。(:).t](F一‘为石的反函数)的cornish一Fishe:展开有如下形式: ”刁~{ 、一、芝狱:)t‘()(，”’)，‘1、 1万l其中S(约是:的多项式.类似地，可以定义函数:一中’〔F伙，t)](。’为巾的反函数)依t的幂的comish-Fisher展开: /:艺e(二丫十()(l”).(2) J{其中Q(川是弋的多项式.公式(2)是由展开。一’为关f点巾(劝的Tayl伽级数，再用Ed罗worth展开式而得到的，公式(l)则是(2)的反演 如果X是有分布函数F行，匀的随机变量，则变量Z二Z困二小’{F(X，日l有标准正态分布，且从(扮式可推出，当t，O时，中扛)逼近变量 _”王: z二、十艺口(x、“ r专的分布函数，优于它逼近F(x、。).如果X有零期望与单位方差，则展开式(l)的头几项有如下形式 、二:一l下!h!忙)]一}y:h:(:)+才h，仁月平一其中;1二、:心一2，:2一、4/、;.、为X的r阶半不变量，”l阁一含HZ。)，“2阁一女11:侧，“。阁一六·[2H，今)十HI(朔，而月:仓)是1女rmite多项式，它们由如下关系定义_ 叫:)H;{:)一、一叮兰些土(叫:)二一如:)) 山厂有关服从Pearson分布族极限律的随机变量的展开，可见{3}亦见随机变量变换(raTzdom varlables，trans-follnations of).[补注1关于利用Ed罗worth展开(亦见砚gewo曲级数(Ed罗做，rth series))获得否2)的方法，亦见IAI].
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