导读:本文包含了二维最大散度差鉴别分析论文开题报告文献综述及选题提纲参考文献，主要关键词:Fisher线性鉴别分析,最大散度差鉴别分析,非参数特征分析,合成孔径雷达
二维最大散度差鉴别分析论文文献综述
姜晖,刘振,王鹏[1]（2014）在《二维非参数最大散度差鉴别分析的SAR图像识别》一文中研究指出为增强线性鉴别分析(LDA)在图像识别中所提取特征的可鉴别性及避免小样本问题,提出了二维非参数最大散度差鉴别分析(2DNMSD)的图像特征提取方法。首先根据非参数特征分析的准则直接在二维图像矩阵上构造散布矩阵,然后基于最大散度差鉴别分析准则求取投影矢量。基于MSTAR计划录取的数据的仿真实验结果表明:即使方位角信息未知并且使用简单的最近邻分类器,该方法所提取特征在较低特征维数下的识别率也可以达到98%以上,表明了方法的有效性和正确性。(本文来源于《火力与指挥控制》期刊2014年05期）
胡利平,刘宏伟,尹奎英,吴顺君[2]（2009）在《两向二维最大子类散度差鉴别分析及其在SAR目标识别中的应用》一文中研究指出针对Fisher线性判决分析(FLDA)在图像识别应用中遇到的小样本问题,提出了两向二维最大子类散度差((2D)2MCSD)鉴别分析的图像特征提取方法。首先找到每类数据的子类划分,再根据这些子类构造基于二维图像矩阵的子类类间和子类类内散布矩阵,最后用子类类间与子类类内散布之差作为鉴别准则求取投影矢量。该方法可以处理多模分布问题,从根本上避免了矩阵求逆和小样本问题,加快了特征抽取的速度,且同时对图像行和列进行压缩,克服了二维最大子类散度差(2DMCSD)鉴别分析和另一种形式的2DMCSD(Alternate 2DMCSD)的特征维数较大的问题。基于美国运动和静止目标获取与识别(MSTAR)公共数据库提供的实测数据的实验结果表明:本文方法的性能优于现有的子空间方法;与2DMCSD和Alter-nate 2DMCSD相比,可大大降低特征维数、提高识别性能。(本文来源于《航空学报》期刊2009年12期）
陈才扣,崔美琳,曹丽,刘永俊[3]（2008）在《基于核的二维最大散度差投影鉴别分析及人脸识别》一文中研究指出传统的核方法只能应用于一维数据,本文直接在二维图像上应用核方法,提出一种新的基于核的二维最大散度差投影鉴别分析方法。该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显着提高,而且为二维非线性鉴别分析提供了一个统一的构架。最后在AR标准人脸库中的实验结果验证了本文算法的有效性.(本文来源于《第二十七届中国控制会议论文集》期刊2008-07-16）
陈才扣,刘永俊,杨静宇[4]（2007）在《二维最大散度差图像投影鉴别分析》一文中研究指出提出了一种新的二维散度差图像投影鉴别分析方法。该方法利用类间离散度与类内离散度之差作为鉴别准则,从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题时。所提出的方法是直接基于图像矩阵的,与以往的基于图像向量的鉴别方法相比,它的突出优点是大大提高了特征抽取的速度。在ORL人脸数据库和AR标准人脸库上的仿真试验结果表明,所提出的方法不仅在识别性能上优于传统的散度差鉴别分析,特征抽取的速度有了较大幅度的提高。(本文来源于《系统仿真学报》期刊2007年04期）
刘永俊,陈才扣[5]（2006）在《二维核最大散度差鉴别分析及人脸识别》一文中研究指出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",而且使其特征抽取的速度有了大幅度的提高。本文通过引入着名的"核技巧",将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法。该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显着提高,而且为二维非线性鉴别分析提供了一个统一的构架。最后在 AR 标准人脸库中的实验结果验证了本文算法的有效性。(本文来源于《第十叁届全国图象图形学学术会议论文集》期刊2006-11-01）
陈才扣,刘永俊,杨静宇[6]（2006）在《改进的二维最大散度差线性鉴别分析及人脸识别》一文中研究指出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。本文从二维最大散度差线性鉴别分析的本质入手分析了它与传统的最大散度差线性鉴别分析的等价性,进而提出了一种改进的二维最大散度差线性鉴别分析方法。该方法通过对图像矩阵的重新构造,使其抽取的鉴别特征从理论上更加有利于分类识别。最后在 ORL、AR 标准人脸库上的实验结果验证了本文算法的有效性。(本文来源于《第十叁届全国图象图形学学术会议论文集》期刊2006-11-01）
二维最大散度差鉴别分析论文开题报告
（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：
针对Fisher线性判决分析(FLDA)在图像识别应用中遇到的小样本问题,提出了两向二维最大子类散度差((2D)2MCSD)鉴别分析的图像特征提取方法。首先找到每类数据的子类划分,再根据这些子类构造基于二维图像矩阵的子类类间和子类类内散布矩阵,最后用子类类间与子类类内散布之差作为鉴别准则求取投影矢量。该方法可以处理多模分布问题,从根本上避免了矩阵求逆和小样本问题,加快了特征抽取的速度,且同时对图像行和列进行压缩,克服了二维最大子类散度差(2DMCSD)鉴别分析和另一种形式的2DMCSD(Alternate 2DMCSD)的特征维数较大的问题。基于美国运动和静止目标获取与识别(MSTAR)公共数据库提供的实测数据的实验结果表明:本文方法的性能优于现有的子空间方法;与2DMCSD和Alter-nate 2DMCSD相比,可大大降低特征维数、提高识别性能。
（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。
二维最大散度差鉴别分析论文参考文献
[1].姜晖,刘振,王鹏.二维非参数最大散度差鉴别分析的SAR图像识别[J].火力与指挥控制.2014
[2].胡利平,刘宏伟,尹奎英,吴顺君.两向二维最大子类散度差鉴别分析及其在SAR目标识别中的应用[J].航空学报.2009
[3].陈才扣,崔美琳,曹丽,刘永俊.基于核的二维最大散度差投影鉴别分析及人脸识别[C].第二十七届中国控制会议论文集.2008
[4].陈才扣,刘永俊,杨静宇.二维最大散度差图像投影鉴别分析[J].系统仿真学报.2007
[5].刘永俊,陈才扣.二维核最大散度差鉴别分析及人脸识别[C].第十叁届全国图象图形学学术会议论文集.2006
[6].陈才扣,刘永俊,杨静宇.改进的二维最大散度差线性鉴别分析及人脸识别[C].第十叁届全国图象图形学学术会议论文集.2006
标签：Fisher线性鉴别分析; 最大散度差鉴别分析; 非参数特征分析; 合成孔径雷达;