导读:本文包含了线性判别分析方法论文开题报告文献综述及选题提纲参考文献，主要关键词:核函数,线性判别分析,多特征融合,特征偏好
线性判别分析方法论文文献综述
高全力,高岭,石美红,朱欣娟,陈锐[1]（2019）在《多特征的核线性判别分析推荐方法》一文中研究指出为提高在非线性可分数据上的推荐质量,采用基于核函数的多特征线性判别分析建立推荐模型.基于多维特征数据,采用非线性映射转换到高维特征空间,通过构建基于核的映射函数,将特征映像转换为内积空间的特征子集,最终建立基于核函数的多特征线性判别分析的分类准则,对于用户喜好的物品进行分类判别并生成推荐.实验结果表明:在20%、40%、60%、80%的数据作为训练集,其余为测试集的实验条件下,随着推荐列表长度|R|的增加,推荐准确率呈现先升后降的趋势,在25≤|R|≤35区间内,能够取得最优的平均绝对误差0.34.所提方法与现有方法相比准确率平均提升18.01%,多样性平均提升42.29%,而所用时间开销仅增加6.21%.对历史偏好数据进行特征映射,有助于提高推荐准确率与多样性.(本文来源于《东南大学学报(自然科学版)》期刊2019年05期）
古丽君,林振华,吴世玉,郑彦婕,周晓文[2]（2019）在《近红外光谱结合线性判别分析方法在食醋品牌鉴别中的应用》一文中研究指出采用近红外光谱技术结合化学计量学手段,建立不同品牌食醋的快速鉴别方法。用近红外光谱仪对103组食醋样品进行扫描,采用二阶导数对图谱进行预处理、标准化处理、T检验和主成分分析(principal component analysis,PCA),运用留一法构建线性判别分析(linear discriminant analysis,LDA)模型。结果表明,原始近红外谱图经过处理后,显示出同种品牌食醋主成分的聚类趋势;交叉验证结果表明,PCA-LDA模型预测不同品牌食醋的正确率高达85. 57%,该模型具有较好的预测效果。该研究结合近红外光谱与PCA-LDA模型,为不同品牌食醋提供一种快速鉴别方法,具有处理近红外光谱数据,研究物质主成分的应用潜力。(本文来源于《食品与发酵工业》期刊2019年18期）
刘鹏,叶宾[3]（2019）在《基于随机矩阵理论的高维数据线性判别分析方法》一文中研究指出线性判别分析(LDA)是机器学习和数据挖掘中一种常用的基于模型的分类方法。尽管该分类方法在许多实际应用中表现良好,但在处理高维数据时其效果却很不理想。其原因在于:当变量数目p接近或者大于样本数目n时,样本协方差矩阵不再是真实协方差矩阵的一个良好估计,导致线性判别函数值产生了较大的偏差。文中提出了一种基于随机矩阵理论的高维数据分类器正则化方法。首先,利用随机矩阵理论,分别以旋转不变估计法(当p≤n时)或者特征值截取法(当p>n时)对高维协方差矩阵进行一致估计;然后,使用估计出的高维协方差矩阵计算判别函数值。在模拟数据集和3个微阵列数据集上进行的分类实验的结果表明,所提线性判别分析方法在处理高维数据时不但适用范围更广,而且具有较高的分类正确率。(本文来源于《计算机科学》期刊2019年S1期）
刘嘉蔚,李奇,陈维荣,蒋璐,余嘉熹[4]（2019）在《基于概率神经网络和线性判别分析的PEMFC水管理故障诊断方法研究》一文中研究指出为了准确迅速判断质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)水管理子系统故障,提出基于概率神经网络(probabilistic neural network,PNN)和线性判别分析(linear discriminant analysis,LDA)的PEMFC水管理故障诊断方法。该方法采用归一化消除原始数据参量之间的量纲影响,使用线性判别分析对归一化后的变量进行特征提取。不但可以将原始实验数据映射到同一区间内,而且能有效降低数据维度。利用概率神经网络对5维故障特征向量实现水管理故障诊断。17086组PEMFC水管理故障样本的诊断结果表明:所提方法能有效识别正常状态、水淹故障和膜干故障共3种水管理健康状态,训练集和测试集的诊断正确率分别为99.80%和93.48%,运算时间仅为14.04s。与BPNN和LDA-BPNN相比:新方法测试集的预测精度分别高出17.47%和2.75%,计算时间分别节省39.83s和28.37s。因此,新方法能快速准确地诊断PEMFC水管理故障。(本文来源于《中国电机工程学报》期刊2019年12期）
朱换荣,郑智超,孙怀江[5]（2019）在《面向局部线性回归分类器的判别分析方法》一文中研究指出局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法 (locality-regularized linear regression classification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。(本文来源于《智能系统学报》期刊2019年05期）
栗科峰,卢金燕,黄明明,黄全振[6]（2018）在《基于小波去噪和线性判别分析的人脸识别方法》一文中研究指出提出了将直方图均衡和小波去噪相结合的预处理方法,获得小波域中人脸图像的亮度不变描述;然后通过正则线性判别分析提取特征矩阵获取最佳投影方向;最后,通过计算特征向量之间的余弦距离从而实现有效分类。在扩展Yale-B人脸数据库上进行了光照变化和人脸关键部位被遮挡条件下的实验,实验结果验证了本文算法的有效性和鲁棒性。(本文来源于《科技通报》期刊2018年07期）
郭月[7]（2018）在《基于正交线性判别分析的高光谱空谱联合分类方法》一文中研究指出随着高光谱遥感技术的迅速发展,成像光谱仪能够捕获地物精准的光谱响应和空间细节特征,使得高光谱遥感图像富含空间信息和光谱信息。高光谱遥感图像丰富的光谱信息意味着波段数量众多,造成波段间高度冗余性与相关性不可避免。因此,高光谱遥感图像提供丰富信息的同时也为后续的分类应用带来了巨大的挑战。如何有效地挖掘与利用高光谱遥感图像自身丰富的信息来提高分类准确度是一个关键问题,受到了广泛关注。本文尝试将光谱维的特征提取、面向叁维结构的空间滤波和空间上下信息的利用叁方面统一到一个框架上,充分挖掘高光谱遥感图像的空间信息和光谱信息,提升高光谱遥感图像的分类准确度。本文提出一种基于正交线性判别分析空谱融合特征与马尔可夫随机场的分类算法。首先,利用正交线性判别分析对经主成分分析舍去较少分量的高光谱遥感图像进行特征提取和特征缩减;其次,将提取后的特征经叁维离散小波从不同尺度、频率和方向上分解,以级联的方式获得具有正交类判别信息的空谱融合特征集;然后,将获得的有监督空谱融合特征集作为概率支持向量机的输入特征,在分类过程中引入马尔可夫随机场理论,建立相邻像元局部空谱一致性,利用空间上下文信息修正初始分类图,从而获得分类结果。在两组真实数据集上的实验结果表明,相比现有的几种算法,本文提出的算法能达到较高的总体分类准确度和Kappa系数,并且有效改善了分类地标图中的“椒盐噪声”现象和错分点。(本文来源于《辽宁工程技术大学》期刊2018-06-04）
王瑞璇[8]（2018）在《基于局部线性嵌入和指数判别分析的故障诊断方法研究》一文中研究指出工业过程具有规模性大、复杂性高、变量多、关联性强等特点,如何从数据出发准确、快速地发现故障并处理,保证过程高效运行意义重大。而且工业过程数据具有高维、非线性的特点,因此提取数据特征对于故障诊断非常重要。另外,一个准确、可靠的故障诊断系统对于工业过程的正常运行具有重要作用。基于此,本文以局部线性嵌入(LLE)和指数判别分析(EDA)为基础,提出了几种改进的故障诊断方法,并通过TE仿真平台及青霉素发酵过程仿真平台进行了验证。首先,提出一种改进的针对间歇过程的故障识别方法——核指数判别分析方法(KEDA),利用基于差异度的性能指标进行故障诊断。KEDA方法结合了核方法和EDA方法的优点,在处理非线性、小样本问题上展现了很强的能力,并且在分类性能上有明显的改善。在故障识别的实际应用中,首先根据历史数据建立已知类别的正常模型和故障模型。然后,将在线测量数据输入到这些模型中,以识别当前的操作状态,即系统处于正常状态还是故障状态。若为故障状态,该方法可判断何种故障发生或是否出现了新故障。其次,结合LLE和EDA方法,提出两种改进的指数判别分析方法:局部线性指数判别分析(LLEDA)和邻近保持嵌入判别分析(NPEDA)。这两种方法都将全局判别分析与局部几何结构相结合。其中,LLEDA是一种并行策略,旨在寻找一个平衡局部几何结构和全局数据分类之间的投影矢量。NPEDA是一种级联策略,其降维过程分为保持局部结构与判别分析两步进行。这两种方法在进行全局判别分析的伺时,强调了数据的内在结构,仿真表明,相比于传统的指数判别分析方法(EDA),其具有更好的识别能力。最后,针对复杂的工业过程,提出了一种多方法结合的混合型过程监控与故障诊断方法,集数据分析、模型库建立、故障及时诊断及可视化等算法为一体。首先通过常规PCA方法对历史数据进行初筛,区分出正常和故障信息,然后利用聚类方法对故障数据集进行分类,再利用局部线性指数判别分析方法(LLEDA)建立故障模型库,最后进行故障诊断。本文将基于监督学习的LLEDA方法拓展到无监督学习,便于复杂工业大量无标签数据的处理。利用典型的田纳西伊士曼过程对所提出的方法进行验证,结果证明了该方法的有效性。(本文来源于《北京化工大学》期刊2018-06-01）
杨茜[9]（2018）在《基于Fisher线性判别分析的情景感知推荐方法》一文中研究指出为解决现有推荐方法无法兼顾多种度量准则,提出一种基于线性判别分析的情景感知推荐方法。获取用户视图下的偏好项目特征、项目视图下的项目吸引度等多视图数据,通过特征融合、投影变换,在最佳鉴别矢量空间引入Fisher判别准则,采用Lagrange乘子法求解最优投影方向。实验结果表明,与现有方法相比,所提方法降低了时间开销,准确度平均提高18.91%,多样性平均提高32.79%,验证了其能够兼顾多种度量准则,提高了推荐质量。(本文来源于《计算机工程与设计》期刊2018年03期）
沈伟国,王巍[10]（2017）在《基于顽健线性判别分析的击键特征识别方法》一文中研究指出研究了用户认证过程中的键盘击键序列特征提取和分类问题,提出一种基于顽健线性判别分析的击键特征识别方法。首先,最大化击键序列集不同类间的离散度,同时最小化序列集同类之间的离散度,保持击键序列样本的最佳判别特性。其次,最小化近邻击键序列样本间的相似性离散度,保持序列样本的区域相似性。最后,基于上述原则,对击键序列特征样本进行特征提取,并采用最近邻分类准则进行判决输出。通过与其他方法的实验对比,验证了该方法的有效性。(本文来源于《通信学报》期刊2017年S2期）
线性判别分析方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
采用近红外光谱技术结合化学计量学手段,建立不同品牌食醋的快速鉴别方法。用近红外光谱仪对103组食醋样品进行扫描,采用二阶导数对图谱进行预处理、标准化处理、T检验和主成分分析(principal component analysis,PCA),运用留一法构建线性判别分析(linear discriminant analysis,LDA)模型。结果表明,原始近红外谱图经过处理后,显示出同种品牌食醋主成分的聚类趋势;交叉验证结果表明,PCA-LDA模型预测不同品牌食醋的正确率高达85. 57%,该模型具有较好的预测效果。该研究结合近红外光谱与PCA-LDA模型,为不同品牌食醋提供一种快速鉴别方法,具有处理近红外光谱数据,研究物质主成分的应用潜力。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
线性判别分析方法论文参考文献
[1].高全力,高岭,石美红,朱欣娟,陈锐.多特征的核线性判别分析推荐方法[J].东南大学学报(自然科学版).2019
[2].古丽君,林振华,吴世玉,郑彦婕,周晓文.近红外光谱结合线性判别分析方法在食醋品牌鉴别中的应用[J].食品与发酵工业.2019
[3].刘鹏,叶宾.基于随机矩阵理论的高维数据线性判别分析方法[J].计算机科学.2019
[4].刘嘉蔚,李奇,陈维荣,蒋璐,余嘉熹.基于概率神经网络和线性判别分析的PEMFC水管理故障诊断方法研究[J].中国电机工程学报.2019
[5].朱换荣,郑智超,孙怀江.面向局部线性回归分类器的判别分析方法[J].智能系统学报.2019
[6].栗科峰,卢金燕,黄明明,黄全振.基于小波去噪和线性判别分析的人脸识别方法[J].科技通报.2018
[7].郭月.基于正交线性判别分析的高光谱空谱联合分类方法[D].辽宁工程技术大学.2018
[8].王瑞璇.基于局部线性嵌入和指数判别分析的故障诊断方法研究[D].北京化工大学.2018
[9].杨茜.基于Fisher线性判别分析的情景感知推荐方法[J].计算机工程与设计.2018
[10].沈伟国,王巍.基于顽健线性判别分析的击键特征识别方法[J].通信学报.2017