1) between-class scatter matrix
类间离散度矩阵
2) matrix between samples
样本类间离散度矩阵
1.
It overcomes the weakness of the traditional LDA algorithm by redefining the matrix between samples and the Fisher rules.
提出一种基于改进LDA的人脸识别算法,该算法克服传统LDA算法的缺点,重新定义样本类间离散度矩阵和Fisher准则,从而保留住最有辨别力的信息,增强算法的识别率。
3) scatter matrix between class
类间离散度距阵
4) matrix within samples
样本类内离散度矩阵
5) relative dispersion matrix
离散度矩阵
1.
The paper to the traditional Fisher linearity distinguished has made the thorough analysis,Because between the sample class relative dispersion matrix cannot very good be away from the near sample class separately,Has redefined between the sample class relative dispersion matrix for this this article .
论文对传统的Fisher线性判别作了深入的分析,由于样本类间离散度矩阵不能很好的分开距离较近的样本类,为此该文又重新定义了样本类间离散度矩阵。
6) within-class scatter matrix
类内散度矩阵
补充资料：离散时间周期序列的离散傅里叶级数表示
(1)
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
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