导读:本文包含了最大散度差准则论文开题报告文献综述及选题提纲参考文献,主要关键词:电子鼻,线性判别分析,最大散度差准则,中药材
最大散度差准则论文文献综述
邵雅雯,骆德汉,武琳,李江勇[1](2011)在《基于最大散度差准则LDA的电子鼻中药材鉴别方法》一文中研究指出在电子鼻的模式识别方法中,线性判别分析(Linear Discriminant Analysis,LDA)是常用的方法之一。然而,当样本类内散布矩阵奇异时,使用传统的基于Fisher准则的LDA算法会出现小样本问题。将最大散度差准则引入线性判别分析中,不仅可以解决小样本问题,实现3种不同产地中药材的正确鉴别,而且分类效果更好。结果表明:对3组样本的最终判别结果达到了97.8%的正确判别率,误判的待测样本只发生在安徽白术。(本文来源于《仪表技术与传感器》期刊2011年11期)
支晓斌,范九伦[2](2011)在《基于模糊最大散度差判别准则的自适应特征提取模糊聚类算法》一文中研究指出指出皋军等人提出的基于模糊最大散度差判别准则(Fuzzy Maximum Scatter Difference Discriminant Criteri-on,FMSDC)的聚类算法(Fuzzy Maximum Scatter Difference Discriminant Criterion Based Clustering Algorithm,FMSDCA)中聚类中心表达式的推导错误及相关结论的错误,在修改该错误的基础上提出新的基于FMSDC的模糊聚类算法:FMSDC-FCS(Fuzzy Compactness and Separation Clustering Algorithm Based on Fuzzy Maximum Scatter Difference Discriminant Criterion).FMS-DC-FCS利用FMSDC产生最佳投影矢量,利用模糊紧性分离性(Fuzzy Compactness and Separation,FCS)算法对降维数据聚类,通过交替运行原数据空间中的FMSDC和投影空间中的FCS来优化投影矢量和聚类结果,最终通过对降维数据的聚类实现对原始数据的聚类.实验结果表明,FMSDC-FCS总体性能优于原有的FCS算法、FMSDCA算法以及经典的模糊C-均值算法.(本文来源于《电子学报》期刊2011年06期)
王志斌,谷越,李志全[3](2010)在《基于最大散度差准则的阈值图像分割》一文中研究指出针对目标和背景的面积相差很大时,最大类间方差阈值法(Otsu阈值法)得到的阈值是"有偏"的,从而造成阈值图像分割失败的问题,提出一种最大散度差准则的阈值图像分割方法。最大散度差准则以广义散度差——类间方差减去C倍的类内方差作为分离性度量,同时考虑类间方差和类内方差在可分性中的作用,可有效克服最大类间方差阈值法(Otsu阈值法)的阈值"偏移"现象。实验结果表明:通过选择适当的参数C,该方法能得到比最大类间方差法更好的分割结果。(本文来源于《应用光学》期刊2010年03期)
皋军,王士同[4](2009)在《基于模糊最大散度差判别准则的聚类方法》一文中研究指出基于最大散度差判别准则提出了一种模糊最大散度差准则,并根据模糊最大散度差准则提出一种聚类方法(fuzzy maximum scatter difference discriminant criterion based clustering algorithm,简称FMSDC).该方法通过迭代优化方法实现聚类的同时还可以实现特征降维.该方法首先在最大散度差判别准则中引入模糊概念;然后通过具体原则设定模糊最大散度差判别准则中的参数η,从而在一定程度上降低了由参数η引起的敏感性;最后分别根据模糊隶属度μik、最优鉴别矢量ω进行聚类和特征降维.实验结果表明,FMSDC方法不但具有基本的聚类功能,而且具有较好的鲁棒性和较强的特征降维能力.(本文来源于《软件学报》期刊2009年11期)
林宇生,王建国,杨静宇[5](2007)在《一种新的基于最大散度差准则的特征抽取方法》一文中研究指出本文基于最大散度差准则(MSDC),利用统计不相关投影空间,提出了一组具有统计不相关性的最佳鉴别矢量的计算方法。该方法的目标是寻求一组鉴别矢量集,既要使投影后的特征空间的类间散度最大,而类内散度最小;又要使最佳鉴别矢量之间具有统计不相关性。另外,本文还揭示了最大散度差鉴别准则与Fisher准则的内在关系。在ORL与NUST603人脸库上的实验结果表明,本文所提出的方法在识别性能上优于原MSDC特征抽取方法与传统的PCA方法。(本文来源于《计算机科学》期刊2007年12期)
宋枫溪,张大鹏,杨静宇,高秀梅[6](2006)在《基于最大散度差鉴别准则的自适应分类算法》一文中研究指出首先证明了,当类内散布矩阵非奇异时,特定参数值c_0下最大散度差的最优鉴别方向等同于Fisher最优鉴别方向;其次,给出了最大散度差分类算法的识别率随参数C变化的曲线.该曲线通常为一脉冲曲线.随着参数C的增大,识别率也逐渐增大.当参数C增大到c_0时,识别率达到最大值.另外,以往的研究成果表明:当类内散布矩阵奇异时,最大散度差鉴别准则逐步逼近大间距线性投影准则.而且,随着参数C的不断增大,最大散度差分类算法的识别率也单调增大并最终稳定到大间距线性投影分类算法的识别率上.为此,我们提出了基于最大散度差鉴别准则的自适应分类算法.新算法可以根据训练样本的特性(类内散布矩阵是否奇异)自动选择恰当的参数C.在UCI机器学习数据库上的6个数据集以及AR人脸图像数据库上的测试结果表明,自适应最大散度差分类算法具有良好的分类性能.(本文来源于《自动化学报》期刊2006年04期)
最大散度差准则论文开题报告
(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:
指出皋军等人提出的基于模糊最大散度差判别准则(Fuzzy Maximum Scatter Difference Discriminant Criteri-on,FMSDC)的聚类算法(Fuzzy Maximum Scatter Difference Discriminant Criterion Based Clustering Algorithm,FMSDCA)中聚类中心表达式的推导错误及相关结论的错误,在修改该错误的基础上提出新的基于FMSDC的模糊聚类算法:FMSDC-FCS(Fuzzy Compactness and Separation Clustering Algorithm Based on Fuzzy Maximum Scatter Difference Discriminant Criterion).FMS-DC-FCS利用FMSDC产生最佳投影矢量,利用模糊紧性分离性(Fuzzy Compactness and Separation,FCS)算法对降维数据聚类,通过交替运行原数据空间中的FMSDC和投影空间中的FCS来优化投影矢量和聚类结果,最终通过对降维数据的聚类实现对原始数据的聚类.实验结果表明,FMSDC-FCS总体性能优于原有的FCS算法、FMSDCA算法以及经典的模糊C-均值算法.
(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。
最大散度差准则论文参考文献
[1].邵雅雯,骆德汉,武琳,李江勇.基于最大散度差准则LDA的电子鼻中药材鉴别方法[J].仪表技术与传感器.2011
[2].支晓斌,范九伦.基于模糊最大散度差判别准则的自适应特征提取模糊聚类算法[J].电子学报.2011
[3].王志斌,谷越,李志全.基于最大散度差准则的阈值图像分割[J].应用光学.2010
[4].皋军,王士同.基于模糊最大散度差判别准则的聚类方法[J].软件学报.2009
[5].林宇生,王建国,杨静宇.一种新的基于最大散度差准则的特征抽取方法[J].计算机科学.2007
[6].宋枫溪,张大鹏,杨静宇,高秀梅.基于最大散度差鉴别准则的自适应分类算法[J].自动化学报.2006