导读:本文包含了线性鉴别分析论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:线性,光谱,稀疏,局部,蜜源,秦艽,成分。
线性鉴别分析论文文献综述
古丽君,林振华,吴世玉,郑彦婕,周晓文[1]（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）
李四海,余晓晖,赵磊,晋玲[2]（2018）在《基于FTIR技术和稀疏线性判别分析的秦艽种类鉴别》一文中研究指出傅里叶变换红外光谱通常包含有大量的波长变量点,对其进行定性分析需要建立稳健的、可解释性的分类模型。稀疏线性判别分析(SLDA)是一种较为新颖和有效的机器学习算法,常用于高维度、小样本数据的变量筛选和判别分析,SLDA通过在线性判别分析中引入正则项,使分类器训练过程和变量选择过程同时完成,不同判别方向上载荷系数的稀疏性则增强了模型的可解释性。采集甘肃不同产地的秦艽样本94个,其中麻花秦艽(Gentiana straminea Maxim)30个,黄管秦艽(Gentiana officinalis)28个,大叶秦艽(Gentiana macrophylla Pall)36个,利用傅里叶变换红外光谱法获得所有样本的光谱图。取其中70个样本构成训练集,剩余24个为测试集。使用训练集建立SLDA模型,对2个判别方向上不为0的载荷系数个数进行网格化寻优,得到了最优的参数空间。利用建立的SLDA模型对测试样本进行预测,其分类准确率达到100%,实现了对叁种秦艽的快速、准确鉴别。实验结果表明,与PLS-DA方法相比,SLDA模型在分类准确率、稀疏性及可解释性方面均具有一定优势,是一种新颖、有效的光谱定性分析方法。(本文来源于《光谱学与光谱分析》期刊2018年08期）
桂林,杨建波,黄远帅[3]（2018）在《Logistic回归和Fisher线性判别分析模型在卵巢肿瘤良恶性鉴别诊断中的价值》一文中研究指出目的探讨Logistic回归和Fisher线性判别分析模型在卵巢肿瘤良恶性鉴别诊断中的价值。方法测定283例卵巢癌和200例卵巢良性疾病患者血清甲胎蛋白(AFP)、癌胚抗原(CEA)、铁蛋白(SF)、组织多肽抗原(TPA)、糖类抗原125(CA125)、CA72-4和人附睾上皮分泌蛋白4(HE4)水平并进行ROC曲线、Logistic回归和Fisher线性判别分析。结果 7项指标中CEA、SF、TPA、CA125和HE4的ROC曲线下面积(AUC)较高(0.713~0.889)。HE4的AUC最高(0.889),95%CI:0.854~0.919,在临界值为125.6pmol/L时,灵敏度和特异度分别为77.4%和90.0%。基于血清CEA、SF、TPA、CA125和HE4的Logistic回归模型对卵巢癌和卵巢良性疾病的诊断准确率分别为92.6%和95.0%,预测准确率分别为90.5%和97.0%。Fisher线性判别模型对卵巢癌和卵巢良性疾病的诊断准确率分别为82.7%和98.5%,预测准确率分别为82.3%和98.5%。结论 Logistic回归分析模型更有助于卵巢肿瘤良恶性的鉴别诊断和预测分析。(本文来源于《重庆医学》期刊2018年06期）
杨晨晖,余传健[4]（2017）在《基于主成分分析和线性鉴别分析融合的阿尔茨海默病分类算法》一文中研究指出在阿尔茨海默病(Alzheimer′s disease,AD)诊断方法中,通过对脑图像分析已成为准确诊断的一种重要手段.针对从单一脑图像模态磁共振图像(MRI)中提取的特征,提出了一种基于主成分分析(PCA)和线性鉴别分析(LDA)融合的AD分类识别算法.该方法首先对从MRI中获取的特征进行PCA,对低维的特征进行LDA获取组合特征向量,并采用最邻近算法,利用获取的组合特征向量对未知状态类型进行分类识别.实验表明,该算法与其他相关算法相比,具有较高的识别准确率、敏感性、特异性,这说明了算法的有效性.(本文来源于《厦门大学学报(自然科学版)》期刊2017年02期）
陈凤[5]（2016）在《一种基于对称性和上下文约束的线性鉴别分析方法》一文中研究指出在充分考虑人脸对称性的基础上,结合图像中像素之间的上下文约束关系,提出了一种改进的图像鉴别方法,即基于对称性和上下文约束的线性鉴别分析方法 (SCCLDA).为了证明改进算法的优势,本文进一步在原始样本和镜像样本的扩展集合上测试了CCLDA(ECCLDA)的识别性能.实验研究表明,在人脸受光照、姿态以及表情等外在因素影响情况下,SCCLDA方法比ECCLDA、CCLDA、LDA等方法在人脸识别效果上具有更好的稳定性和更高的准确性.(本文来源于《西北师范大学学报(自然科学版)》期刊2016年04期）
黄伟,王晓辉,江玉珍[6]（2017）在《基于列最近邻的线性鉴别分析方法及应用》一文中研究指出人脸识别是模式识别中重要的研究内容,具有广泛的应用前景。为了进一步提高人脸识别中线性鉴别方法的鲁棒性,提出了一种基于列最近邻的线性鉴别方法(CBLDA)。CBLDA为每一类找到一个投影矩阵,使得人脸图像中的每一列经过投影矩阵投影后,能够更靠近类内列最近邻同时离类间列最近邻越远。当测试样本与经过其类别的投影矩阵投影后能够得到更有利于分类的结果。CBLDA类似于分块或者子图的方法,选择最近邻列作为分块的策略的主要优点:(1)列是图像的固有尺寸,会随分辨率的变化而变化,因此不需要决定分块的大小;(2)人脸具有对称性,对列求得类内列最近邻可以较好克服一些左右姿态和光照变化的影响,提高算法的鲁棒性。为了验证CBLDA的有效性,在ORL和FERET人脸数据库中与2D-LDA、2D-LPP和2D-LGEDA等二维算法进行了对比实验,结果表明CBLDA在识别率有大幅的提升,证明了算法的有效性。(本文来源于《计算机工程与应用》期刊2017年13期）
顾亚[7]（2015）在《局部线性鉴别投影分析及人脸识别应用研究》一文中研究指出近年来,人脸识别技术得到了广泛的关注。人脸识别通常包含以下几个模块,分别是人脸数据采集、预处理、特征抽取以及人脸识别,而特征抽取是其中很重要的环节,对后续的识别工作有着很大的影响。过去几十年的研究中,学者们提出了许多相关算法,这些算法可以概括为两类,一类是基于重构的特征抽取算法,其中具有代表性的算法有主成分分析；另一类是基于鉴别的特征抽取算法,其中具有代表性的算法是Fisher线性鉴别分析。尽管这些算法具有广泛的应用,但是它们依然存在不少问题,比如对外界干扰因素缺乏鲁棒性。其次,计算机硬件不断更新,人脸识别技术可以在android移动终端上实现。本文结合前人的研究成果,提出了一些改进算法,并分析与设计了android平台下的人脸识别APP,具体工作如下：1、基于l2-图的局部线性鉴别分析(Local Linear Discriminant Analysis Using ι2-Graph)最近,有一种被称为局部Fisher线性鉴别分析算法(LLDA)被提出,实验表明该算法与传统的Fisher线性鉴别分析相比,具有更好的分类效果。然而,其使用欧式距离选取最近邻样本的方式存在一些缺陷,如鲁棒性差,不稀疏等。本文提出了一种改进的算法,称之为基于l2-图的局部Fisher线性鉴别分析算法(ι2G_LLDA)。它保留重构系数最大的样本作为最近邻样本,增强了算法的鲁棒性,并且是稀疏的。在ORL人脸库、YALE人脸库和AR人脸库中进行实验,实验结果表明该方法具有良好的分类效果。2、基于核空间的局部线性鉴别分析(VLLDA Based On Kernel Method For Face Recognition)提出一种核主成分分析(KPCA)与局部线性鉴别分析(VLLDA)相结合的人脸识别方法。首先将训练集图像用KPCA投影。然后利用VLLDA进行二次投影提取出它的流形。最后进行分类,得到待测图像属于各分类的概率,从而识别出它的人脸的类别。在ORL人脸库、YALE人脸库上的实验表明,该方法更加简便有效、识别效果良好。3、2DPCA与CRC_RLS相结合的人脸识别方法(Face Recognition Method By Combing 2DPCA With CRC RLS)提出一种二维主成分分析(2DPCA)与基于正则化最小二乘法协同同构分类器(CRC_RLS)相结合的人脸识别方法。首先将训练集利用2DPCA投影,将投影后的训练样本矩阵拉成列向量。然后,利用CRC_RLS算法得到稀疏表示系数和重构误差。最后给出概率度量,得到待测图像属于哪一模式类的概率,从而识别出它的人脸类别。在ORL人脸数据库和YALE仁脸数据库上的实验表明,该方法鉴别有效,提高了识别准确率。4、Android智能面部识别系统的分析与设计随着android平台的日益成熟,越来越多的生活方式正在改变,比如用支付宝进行手机交易支付,这意味着基于手机的隐私安全需求有着巨大的潜在市场。同时,android平台手机硬件快速迭代升级,使得手机具有更快的计算速度、更高分辨率的摄像头以及更大的存储,这为基于android的人脸识别应用提供了条件。本系统基于android移动终端,使用人脸识别技术为用户提供一整套服务,帮助用户管理照片,保护使用者隐私。系统的目标包含：(1)人脸本地数据的创建,主要通过移动终端的系统摄像头进行照片采集,然后保存至SD卡中。(2)人脸检测,包括单人检测和多人检测。(3)人脸识别,通过前置摄像头捕捉人脸,判断是否是注册用户,如果是注册用户,则给出其信息。(本文来源于《扬州大学》期刊2015-10-01）
陈兰珍,张妍楠,吴黎明,叶志华,李熠[8]（2014）在《中红外光谱结合线性判别分析快速鉴别蜂蜜品种》一文中研究指出研究以椴树、槐花、葵花、苕子、油菜、枣花6种蜜源蜂蜜样品为研究对象,利用中红外光谱检测器对样品进行光谱扫描,结合线性判别分析方法(Linear discrimination analysis,LDA)建立蜂蜜品种鉴别模型。结果表明,在经过光谱预处理及主成分分析后,用LDA方法建立的蜂蜜品种鉴别模型,对训练集和测试集样品的预测识别准确率分别为97.59%和96.30%。上述参与训练与测试的全部样品作为训练集建立的模型对完全未参与建模的槐花蜜、油菜蜜样品预测其正确判别率分别为80.00%和94.87%。表明该方法在快速、准确鉴别蜂蜜品种具有可行性、实用性。(本文来源于《食品科技》期刊2014年11期）
甘俊英,何国辉,何思斌[9]（2014）在《核零空间线性鉴别分析及其在人脸识别中的应用》一文中研究指出零空间线性鉴别分析NLDA充分利用样本总类内离散度矩阵的零空间信息,能有效克服线性鉴别分析LDA的小样本问题.核方法通过非线性映射,将输入空间样本映射到高维特征空间,再在高维特征空间利用线性特征提取算法.因此,核方法属于非线性特征提取算法.文中结合LDA、NLDA和核方法的优点,引入了核零空间线性鉴别分析KNLDA,导出了KNLDA算法.该算法通过引入核函数,得到低维矩阵,有效避免了直接计算复杂的非线性映射函数,解决了高维类内离散度矩阵的维数灾难问题.同时,将KNLDA算法应用于人脸识别.基于ORL人脸数据库以及ORL与Yale混合人脸数据库的实验结果表明了KNLDA算法的有效性.(本文来源于《计算机学报》期刊2014年11期）
夏建明,杨俊安,康凯[10]（2014）在《基于局部稀疏表示和线性鉴别分析的典型相关分析》一文中研究指出为在特征融合中综合利用数据的类别信息和数据结构中所蕴含的自然鉴别信息,提出一种基于局部稀疏表示和线性鉴别分析的典型相关分析算法.首先利用局部稀疏表示模型,以较小的计算复杂度获取局部稀疏重构矩阵;然后在典型相关分析的框架中实现对局部稀疏结构保持、线性鉴别分析和组合特征相关性的联合优化,增强了融合特征的鉴别能力.在人工数据、多特征手写字数据、人脸数据上的实验表明了所提出方法的有效性.(本文来源于《控制与决策》期刊2014年07期）
线性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：
傅里叶变换红外光谱通常包含有大量的波长变量点,对其进行定性分析需要建立稳健的、可解释性的分类模型。稀疏线性判别分析(SLDA)是一种较为新颖和有效的机器学习算法,常用于高维度、小样本数据的变量筛选和判别分析,SLDA通过在线性判别分析中引入正则项,使分类器训练过程和变量选择过程同时完成,不同判别方向上载荷系数的稀疏性则增强了模型的可解释性。采集甘肃不同产地的秦艽样本94个,其中麻花秦艽(Gentiana straminea Maxim)30个,黄管秦艽(Gentiana officinalis)28个,大叶秦艽(Gentiana macrophylla Pall)36个,利用傅里叶变换红外光谱法获得所有样本的光谱图。取其中70个样本构成训练集,剩余24个为测试集。使用训练集建立SLDA模型,对2个判别方向上不为0的载荷系数个数进行网格化寻优,得到了最优的参数空间。利用建立的SLDA模型对测试样本进行预测,其分类准确率达到100%,实现了对叁种秦艽的快速、准确鉴别。实验结果表明,与PLS-DA方法相比,SLDA模型在分类准确率、稀疏性及可解释性方面均具有一定优势,是一种新颖、有效的光谱定性分析方法。
（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。
线性鉴别分析论文参考文献
[1].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
[2].李四海,余晓晖,赵磊,晋玲.基于FTIR技术和稀疏线性判别分析的秦艽种类鉴别[J].光谱学与光谱分析.2018
[3].桂林,杨建波,黄远帅.Logistic回归和Fisher线性判别分析模型在卵巢肿瘤良恶性鉴别诊断中的价值[J].重庆医学.2018
[4].杨晨晖,余传健.基于主成分分析和线性鉴别分析融合的阿尔茨海默病分类算法[J].厦门大学学报(自然科学版).2017
[5].陈凤.一种基于对称性和上下文约束的线性鉴别分析方法[J].西北师范大学学报(自然科学版).2016
[6].黄伟,王晓辉,江玉珍.基于列最近邻的线性鉴别分析方法及应用[J].计算机工程与应用.2017
[7].顾亚.局部线性鉴别投影分析及人脸识别应用研究[D].扬州大学.2015
[8].陈兰珍,张妍楠,吴黎明,叶志华,李熠.中红外光谱结合线性判别分析快速鉴别蜂蜜品种[J].食品科技.2014
[9].甘俊英,何国辉,何思斌.核零空间线性鉴别分析及其在人脸识别中的应用[J].计算机学报.2014
[10].夏建明,杨俊安,康凯.基于局部稀疏表示和线性鉴别分析的典型相关分析[J].控制与决策.2014
论文知识图
