导读:本文包含了统计不相关论文开题报告文献综述、选题提纲参考文献，主要关键词:不相关,特征,局部,向量,广义,矢量,分解。
统计不相关论文文献综述写法
赵丽[1]（2017）在《高维似乎不相关回归模型的统计推断》一文中研究指出经典的似乎不相关回归模型中,每个方程从表面上看互不相关,但是方程间随机误差项的同期相关性却把各个方程紧密地联系在一起.利用误差项之间的相关信息,可以提高单个方程回归系数的估计精度.随着大数据时代的到来,越来越多的数据表面看来没有关系,但实际却存在同期相关性,似乎不相关回归模型能很好的刻画这种相关性.本文研究高维似乎不相关回归模型中的统计推断问题,包括回归系数的估计和回归模型间的相关性检验.主要结果如下:在高维情形,证明了最常用的Zellner两步估计不存在,在正态假定下,证明了极大似然估计不存在,所以,可用的常用估计量只有各个回归模型的最小二乘估计.利用条件分布的方法减少估计量的随机性,提出了条件期望改进估计,在特殊的模型设定下证明了条件期望改进估计等价于广义最小二乘估计.类似与Zellner两步估计的思想,提出了两步条件期望改进估计,在一种特殊的模型设定下,给出了两步条件期望改进估计的协方差阵的表达式.通过对协方差阵的分析得知,两步估计利用新的方程逐步改进最小二乘估计时,加入新的方程会增大估计误差协方差阵的难度.当似乎不相关回归模型中方程与待估方程的相关性小时,这个方程对减小估计的随机性的贡献程度,不足以抵消加入这个方程带来的累计误差,甚至会带来估计效率的降低.因此提出利用高相关残差改进的最小二乘估计,并通过模拟研究了它的性质.由于高相关残差改进估计中需要计算的改进项很多,当相关方程个数多时计算量大.为了克服这个缺点,定义了广义典型相关变量和广义典型相关系数,并基于这个定义提出了广义典型相关变量改进估计.新估计量的项数少,当协方差阵已知时证明在一定条件下改进估计是最佳线性无偏估计,特别的在两个回归模型时,广义典型相关改进估计就是最佳线性无偏估计.在一般情况下,若协方差阵已知时,证明了广义典型相关改进估计的均方误差小于最小二乘估计,不同于Zellner的两步估计,广义典型相关改进估计中不出现协方差阵的逆,所以,在协方差阵未知时,我们可以用样本方差和样本协方差代替未知的方差和协方差,得到两步广义典型相关改进估计.模拟结果表明,新估计优于最小二乘估计.误差的协方差矩阵是非对角阵是似乎不相关线性回归模型的一个基本假定.对于误差协方差阵是否为对角阵的检验问题,我们基于样本相关系数平方的最大值提出了一个新的检验统计量,给出了两种情况下的渐近分布,一是回归模型的个数固定,观察次数趋于无穷.二是先让观察次数趋于无穷后,再让回归模型的个数趋于无穷.在第二种情形,检验统计量的渐近分布为指数分布.模拟结果表明,当回归模型间相关性很稀疏,且有高相关时,新的检验比已有的检验功效高。(本文来源于《北京理工大学》期刊2017-06-01）
谢玉凯,卢桂馥[2]（2016）在《一种快速的统计不相关LDA求解算法》一文中研究指出为进一步提高ULDA算法的求解效率,提出了一种新的快速的统计不相关LDA求解算法(ULDA/new)。ULDA/new只需对一个(c-1)×(c-1)的矩阵进行一次特征值分解就可以求得所有的投影向量(c指的是样本量类别数),从而进一步大幅度地提高了计算效率。理论分析和在图像库上的试验表明,ULDA/new与现有的ULDA求解算法在理论上是等价的,其识别率相同,但远比现有的ULDA算法要高效。(本文来源于《长江大学学报(自科版)》期刊2016年25期）
丁洁,荆晓远,姚永芳,李力[3]（2014）在《局部统计不相关非线性鉴别变换》一文中研究指出子空间学习方法是研究人脸识别问题的经典算法。然而,在实际中,人脸图像通常是高维线性不可分的,此时线性方法很难提取出更有效的特征;同时,人脸图像不满足理想的高斯分布,而传统的统计不相关方法使用所有样本的均值来估计期望,这种估计方法在样本数很少的情况下会出现较大的偏差。为了解决上述问题,文中提出了局部统计不相关非线性鉴别变换(LUNLDT)方法。该方法在核空间中,通过改良的统计不相关约束,迭代地求解出最优的鉴别向量集。AR人脸库和CAS-PEAL人脸库的实验结果验证了所提算法的有效性。(本文来源于《计算机技术与发展》期刊2014年12期）
丁洁[4]（2014）在《基于加权Fisher准则的统计不相关图像识别算法》一文中研究指出特征提取一直是图像识别问题中最重要的任务之一。传统的Fisher准则定义的类间散布矩阵并不是最优的，因为它仅仅考虑把每类样本中心与总体样本中心尽可能分散，而没有考虑到不同类别的样本中心间的关系。这样有可能使得一些类别的样本中心相互靠近，从而造成这些类的大量样本在投影后的低维空间中更加不可分。加权Fisher准则利用权函数对类间散布矩阵进行了一定的修正，但仍存在一定的改进空间。基于此，本文提出了一种改进的加权Fisher准则，利用相对简单的欧氏距离来替换加权Fisher准则中马氏距离，并对高维空间中欧氏距离较近的类别间赋予较大的权重，从而能提取出更加具有鉴别性的特征。对于改进的加权Fisher准则，其获取的鉴别向量仍具有一定的冗余信息。为了获取更优的投影空间，本文在改进的Fisher准则的框架下，对目标函数增加统计不相关约束，提出了一种基于加权Fisher准则的统计不相关鉴别分析算法（Weighted Fisher Criterion basedUncorrelated Discriminant Analysis，WUDA）。该方法保证了所求的投影方向具有最好的分类效果，且特征向量两两不相关，去除了冗余性。接着，考虑到传统的统计不相关算法是用所有的样本均值来估计期望。然而，通常样本的分布是不满足高斯分布的，这样的估计方法对少量的数据而言就会出现大的偏差。本文利用样本的局部均值来代替总体均值从而实现更准确的聚类，构建出改良的统计不相关约束。进一步提出了基于加权Fisher准则的局部统计不相关算法（Weighted Fisher Criterion basedLocal Uncorrelated Discriminant Analysis，WLUDA）。最后，考虑到现实中图像样本线性不可分的情况，本文提出了基于加权Fisher准则的局部统计不相关核鉴别分析（Weighted Fisher Criterion based Local Uncorrelated KernelDiscriminant Analysis，WLUKDA,）。在AR人脸数据库、USPS手写体数据库和Coil物体数据库叁个数据库上，对本文提出的几种算法与相关的对比方法进行了比较。实验表明本文算法在识别性能方面较被比较的方法均有一定程度的提高，验证了算法的有效性。(本文来源于《南京邮电大学》期刊2014-05-01）
黄明晓,荆晓远,李力,姚永芳[5]（2014）在《局部和全局加权的二维统计不相关鉴别分析》一文中研究指出传统的统计不相关鉴别分析方法使用样本的均值来估计期望,计算出总体散度矩阵。这些方法在数据不满足高斯分布的情况下会出现大的偏差,影响最优鉴别特征的提取。为了解决该问题,文中结合二维鉴别分析的思想,分别提出了基于局部的二维统计不相关鉴别变换(L2DUDT)方法和基于全局加权的二维统计不相关鉴别变换(WG2DUDT)方法。L2DUDT通过用样本的近邻中心来定义每个样本的期望,而WG2DUDT用样本间的欧几里得距离加权来定义期望。基于AR和FERET人脸数据库的实验表明,文中提出的方法与一些相关方法相比,有效地提高了识别性能。(本文来源于《计算机技术与发展》期刊2014年06期）
李力[6]（2013）在《基于局部和全局加权的统计不相关鉴别变换人脸识别算法研究》一文中研究指出特征提取是图像识别问题中最重要的任务之一，在人脸识别应用中，如何去除鉴别特征的冗余显得非常有意义。为了更好的去除鉴别特征的冗余，本文重新设计一种总体散布矩阵，提出了一种基于Fisher线性鉴别分析的统计不相关约束人脸识别方法。该方法在改良的统计不相关约束的基础上通过最大化Fisher准则，迭代的求解出最优的鉴别向量集。基于这个理论，我们又进行了核拓展，最后利用二维鉴别的思想，进一步的改进了我们的算法。我们首先提出了一种基于局部的统计不相关鉴别变换(LUDT)。LUDT通过重新定义每个样本的期望来构建总体散布矩阵，即用样本的近邻中心来替代全局中心,同时构建出改良的统计不相关约束。然后提出了一种基于全局加权的统计不相关鉴别变换(WGUDT)，WGUDT重新定义每个样本的期望来构建总体散布矩阵，即用样本间的欧几里得距离加权来构建期望，在新的散布矩阵基础上构建出另外一种改良的不相关约束。我们提出的这两种基本方法都有效地去除了鉴别特征的冗余。在改进的总体散布矩阵的基础上，我们提出了一种基于局部和全局加权的核统计不相关鉴别变换，该方法在核统计不相关约束的基础上迭代求解鉴别向量集。利用二维鉴别的想法，提出了一种基于局部和全局加权的二维统计不相关二维鉴别变换，该方法在二维统计不相关约束的基础上迭代地求解出鉴别向量集。因为直接计算散布矩阵而不需要对图像矩阵列向量，不仅避免了散布矩阵奇异问题，同时也提高了识别的速度。在改进的总体散布矩阵的基础上，我们提出了一种基于局部和全局加权统计不相关方法的多任务学习算法，该方法利用多个任务来实现分类。当训练样本较少的时候，该算法首先求解出局部和全局加权统计不相关投影变换，然后利用其它任务来间接地提高投影变换的鉴别能力。在AR、FERET和CAS-PEAL人脸数据库上的实验结果表明了本文所提出方法的有效性。(本文来源于《南京邮电大学》期刊2013-03-01）
戴欢,何磊,顾晓峰[7]（2012）在《基于统计不相关矢量集的集中式定位算法》一文中研究指出为降低接收信号强度指示所产生的测距误差对定位精度的影响,提出一种基于统计不相关矢量集的集中式定位算法。通过坐标变换简化双重中心化矩阵的求解过程,使用统计不相关矢量集构造双重中心化矩阵,从而计算出节点坐标。仿真结果表明,在测距误差比较大的情况下,该算法仍能有效降低测距噪声干扰、提高定位精度,适用于低成本硬件的无线传感器网络。(本文来源于《计算机工程》期刊2012年24期）
刘粉香,李勇智,沈凤仙[8]（2011）在《基于统计不相关的无监督鉴别投影映射(UDP)特征提取方法》一文中研究指出基于UDP(Unsupervised Discriminant Projection)特征提取方法的研究,本文提出改进算法:具有统计不相关性的UDP计算方法,并探讨该方法的有效性。这种方法的目的是寻求一组最佳鉴别矢量,使投影变换后的特征空间的非局部散度最大、局部散度最小,从而减小最佳鉴别矢量间的统计相关性。通过在不同人脸库上的仿真实验验证了所提出改进算法在一定程度上优于已有的UDP算法。(本文来源于《计算机与现代化》期刊2011年12期）
任世锦,王小林,吕俊怀,张晓光[9]（2011）在《基于SSVM的递归统计不相关特征抽取算法》一文中研究指出文章旨在研究数据分布未知的高维、小样本问题的特征抽取算法.基于支持向量机原理和特征统计不相关思想,提出基于散度支持向量机(SSVM)的递归统计不相关特征抽取算法,解决现有算法抽取特征之间存在相关性、算法受到样本分布影响等问题.针对高维小样本问题,使用PCA把SSVM优化问题变换到同构低维空间;给出边界鉴别向量集的递归求取方法,把模式高维特征投影到边界鉴别向量集,实现了统计不相关特征的抽取;分析了算法的收敛性和终止条件.文中使用核方法把线性SSVM推广到非线性SSVM,通过KPCA方法把非线性SSVM优化问题转换到低维空间中的等价优化问题,在低维空间抽取不相关非线性特征.仿真结果证明了文中算法的有效性.(本文来源于《计算机学报》期刊2011年03期）
张永川[10]（2011）在《统计不相关特征提取算法的研究》一文中研究指出特征提取作为模式识别领域的一个重要分支,现在已经引起了广泛关注,并且在很多领域已经得到了应用。随着技术的发展,特征提取方法也是层出不穷。不相关最佳鉴别矢量集(UODV)方法就是其中一种非常重要的方法。传统方法是通过迭代法进行求解,随着训练样本数的增长,计算成本大幅增加,这就限制了该方法的进一步应用。而且我们也知道,虽然对于单个的鉴别向量都可以使目标函数最大化,满足Fisher准则,但是最后我们的到的鉴别矢量集却并一定是最优解。因此,在此基础上,本文中我们提出了新的基于广义奇异值分解的统计不相关最佳鉴别矢量集方法,即GSVD-UODV。通过应用该方法,既可以避免矩阵奇异问题,也可以一次性求得投影向量,大量的节约了在迭代过程中所浪费的时间,有着很高的应用价值。最后得到的鉴别向量,我们再用总体散度矩阵对其进行约束,就得到了我们的统计不相关投影向量。为了使我们的方法在更多领域具有应用价值,我们还将其在非线性空间做了更进一步的扩展,在原有方法的基础上,对其进行了核化,也就是我们第四章所给出的基于广义奇异值分解的核统计不相关最佳鉴别矢量集方法。在该部分,我们给出了核化后详细的推导公式和定理。最后在实验部分,针对传统的迭代法所具有的一些缺点,我们在AR和CAS人脸数据库上进行了大量有针对性的实验,通过比较它们的识别效果和计算过程中所消耗的时间,更进一步证明了我们的理论的正确性。我们的方法和UODV方法比较,直接求出鉴别向量,避免了逐步迭代,识别率大幅提高的同时,大大降低了计算成本。(本文来源于《南京邮电大学》期刊2011-03-01）
统计不相关论文开题报告范文
（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：
为进一步提高ULDA算法的求解效率,提出了一种新的快速的统计不相关LDA求解算法(ULDA/new)。ULDA/new只需对一个(c-1)×(c-1)的矩阵进行一次特征值分解就可以求得所有的投影向量(c指的是样本量类别数),从而进一步大幅度地提高了计算效率。理论分析和在图像库上的试验表明,ULDA/new与现有的ULDA求解算法在理论上是等价的,其识别率相同,但远比现有的ULDA算法要高效。
（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。
统计不相关论文参考文献
[1].赵丽.高维似乎不相关回归模型的统计推断[D].北京理工大学.2017
[2].谢玉凯,卢桂馥.一种快速的统计不相关LDA求解算法[J].长江大学学报(自科版).2016
[3].丁洁,荆晓远,姚永芳,李力.局部统计不相关非线性鉴别变换[J].计算机技术与发展.2014
[4].丁洁.基于加权Fisher准则的统计不相关图像识别算法[D].南京邮电大学.2014
[5].黄明晓,荆晓远,李力,姚永芳.局部和全局加权的二维统计不相关鉴别分析[J].计算机技术与发展.2014
[6].李力.基于局部和全局加权的统计不相关鉴别变换人脸识别算法研究[D].南京邮电大学.2013
[7].戴欢,何磊,顾晓峰.基于统计不相关矢量集的集中式定位算法[J].计算机工程.2012
[8].刘粉香,李勇智,沈凤仙.基于统计不相关的无监督鉴别投影映射(UDP)特征提取方法[J].计算机与现代化.2011
[9].任世锦,王小林,吕俊怀,张晓光.基于SSVM的递归统计不相关特征抽取算法[J].计算机学报.2011
[10].张永川.统计不相关特征提取算法的研究[D].南京邮电大学.2011