CN110097117A - 基于线性判别分析与多元自适应样条的数据分类方法 - Google Patents
基于线性判别分析与多元自适应样条的数据分类方法 Download PDFInfo
- Publication number
- CN110097117A CN110097117A CN201910357895.7A CN201910357895A CN110097117A CN 110097117 A CN110097117 A CN 110097117A CN 201910357895 A CN201910357895 A CN 201910357895A CN 110097117 A CN110097117 A CN 110097117A
- Authority
- CN
- China
- Prior art keywords
- vector
- classification
- sample
- dimension
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000005284 basis set Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000000926 separation method Methods 0.000 abstract description 5
- 238000013480 data collection Methods 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于线性判别分析与多元自适应样条的数据分类方法,本发明是一种将降维与分类相结合的方法,首先通过线性判别分析方法确定最有效的分类特征,然后通过多元自适应回归样条(Multivariate adaptive regression splines,MARS)实现输入变量区间分割,将非线性分类转为线性分类问题,最后通过感知机实现分类,本发明实现了多输出分段线性分类,通过多元自适应回归样条的方式实现递归分割,通过感知机方式实现线性分类使得训练集的分类误差最小,预测时间在毫秒级以下,该算法有快速准确的特点。
Description
技术领域
本发明涉及一种数据分类方法,特别是一种基于线性判别分析与多元自适应样条的数据分类方法,属于机器学习中的数据降维与分类领域。
背景技术
机器学习中的数据降维与分类技术是人工智能的核心技术,有广泛的应用。传统的分类算法中,支持向量机(Support Vector Machine,SVM)、决策树(随机森林)和深度学习有最好的分类效果。支持向量机与决策树需要提取特征,其分类性能取决于特征的有效性,支持向量机利用内积核函数代替向高维空间的非线性映射,但它对大规模训练样本难以实施,当样本很大时,对数据的计算将耗费大量的内存和时间,并且对核函数的求解还没有找到合适的方法。决策树适合高维数据,计算量相对较小,且容易转化成分类规则,但对于各类样本数量不一致的数据,信息增益偏向于那些更多数值的特征,很容易过拟合,忽略属性之间的相关性。深度学习是目前性能最好的分类器,它让计算机自动学习出模式特征,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备性,但深度学习不能够对数据的规律进行无偏差的估计,为了达到更好的精度,需要大量的训练样本和极大的硬件支持。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种将降维与分类相结合的、快速准确的基于线性判别分析与多元自适应样条的数据分类方法。
为解决上述技术问题,本发明一种基于线性判别分析与多元自适应样条的分类方法,包括以下步骤:
步骤一:对训练样本集中的待分类的M维向量xo进行线性判别分析,得到降维后的向量x,设置降维后的维数为d,具体为:
步骤1:计算类内散度矩阵Sw:
其中,μj为第j类样本的均值向量,μ为所有样本的均值向量,k为类别数,Xj为第j类样本集;
步骤2:计算类间散度矩阵Sb:
其中,Nj(j=1,2,…,k)为第j类样本的个数;
步骤3:计算矩阵Sw -1Sb;
步骤4:通过矩阵相似对角化计算Sw -1Sb的最大的d个特征值和对应的d个特征向量(w1,w2,…,wd),得到投影矩阵W,W=[w1,w2,…,wd],W为M行d列矩阵;
步骤5:对训练样本集中的每一个样本特征xo,转化新的样本x=WTxo,x即为降成d维的向量;
步骤二:把步骤一得到的x表示成多元自适应回归样条基函数Bm(x)的形式,对于x的第m维分量xm,tkm是第k次直线分段的节点,skm∈{-1,1},[·]+表示方括号中的向量只取大于0的部分,xkm是第k次线性分段后的xm,{m,skm,tkm}为Bm(x)的参数,具体为:
步骤1:将每个x值充当节点tkm构成的基函数加入当前基函数参数集basicFunctionList中,basicFunctionList中包括待分割的x的维数dim,节点tkm,对x的basicFunctionList{i}.dim维按照节点值basicFunctionList{i}.tkm划分成两个向量,其中一个向量为大于tkm的元素置零,另一个向量为小于tkm的元素置0,将上述两个向量加入临时基函数向量集basisTmp中,根据当前基函数建立临时分类模型,计算当前模型的误差;
步骤2:将误差最小值对应的基函数向量加入到基函数向量集basisSet中;
步骤3:根据当前基函数集向量集basisSet建立分类模型;
步骤4:如果当前误差小于误差阈值,则退出迭代;basisSet即Bm(x)是用于分类的新的向量,原x由d维变成Km维,整个B(x)的维数用KM表示,对x来说,Km个{m,skm,tkm}即线性分段模型;
步骤三:得到的所有维的基函数B(x)作为分类器的输入变量建立分类模型,通过感知机方法求解分类模型,具体为:
步骤1:令z=B(x),为z增加一维常数项取值为1,初始化c个KM+1维向量v为全零矩阵;
步骤2:对每一类循环,在第i次循环中,选择另一个类j,按e=<vi·zi>-<vj·zj>对所有i类样本zi计算概率差值e:
在所有zi中选择e最小且为负值的样本zm,计算vi=vi+zm,vj=vj-zm当所有<vi·zi>><vj·zj>时,或迭代次数达到限制值时,退出迭代,得到的模型是(KM+1)×c维矩阵,用V表示;
步骤四:对于待分类的测试集M维向量x1,得到c维实数向量Pn,具体为:
步骤1:将测试集中待分类的向量x1乘以步骤一中得到的投影矩阵W,得到新的样本x2=WTx1;取前d维形成降维后的样本x2;
步骤2:根据步骤二中模型参数中{m,skm,tkm}对x2中的每一维分量xm进行分段,形成分段后的向量B(x2);
步骤3:令z的第一维为全1向量,第二维以后为B(x2),得到z';
步骤4:按Pn=Vz'计算出N个c维实数向量Pn;
步骤5:根据每个Pn的最大值得到其类号。
本发明有益效果:针对一些高维小样本分类问题,如基于红外遥感图像的土壤分类,本发明提出一种将降维与分类相结合的方法,首先通过线性判别分析方法确定最有效的分类特征,然后通过多元自适应回归样条(Multivariate adaptive regressionsplines,MARS)实现输入变量区间分割,将非线性分类转为线性分类问题,最后通过感知机实现分类,本发明实现了多输出分段线性分类,通过多元自适应回归样条的方式实现递归分割,通过感知机方式实现线性分类使得训练集的分类误差最小,预测时间在毫秒级以下,该算法有快速准确的特点。
附图说明
图1为训练流程图;
图2为预测流程图。
具体实施方式
下面结合附图对本发明具体实施方式进行说明。
本发明分类算法包括模型建立和分类预测两个过程,模型建立包括分段模型建立和分类模型建立。
1.模型建立
1.1线性判别分析
对于待分类的M维向量xo,k为类别数,Xj为第j类样本集,μj为第j类样本的均值向量,μ为所有样本的均值向量。先对其进行线性判别分析,得到降维后的x具体步骤如下,设置降维后的维数为d:
A.计算类内散度矩阵Sw,
B.计算类间散度矩阵Sb,
Nj(j=1,2,…,k)为第j类样本的个数;
C.计算矩阵Sw -1Sb;
D.通过矩阵相似对角化计算Sw -1Sb的最大的d个特征值和对应的d个特征向量(w1,w2,…,wd),得到投影矩阵W,其中w1-wd作为W的列向量,W为M行d列矩阵;
E.对训练样本集中的每一个样本特征xo,转化新的样本x=WTxo,x即降成d维后的样本。1.2区间分割与分类模型建立
1.2.1区间分割
区间分割是一个循环迭代的过程,目标是把进行判别分析后得到的新的数据样本x表示成MARS基函数Bm(x)的形式,Bm(x)是第m维的基函数。
对于x的第m维分量xm,tkm是第k次直线分段的节点,skm∈{-1,1},[·]+表示方括号中的向量只取大于0的部分,xkm是第k次线性分段后的xm,m指第几维,k是第几次分段。MARS一次通过tkm将当前xkm分成两段,通过递归分割的方式形成k次分段,所得到的基函数Bm(x)即完成分段后的xm,但需要减掉节点tkm的数值后再参与线性分类模型的计算。其中{m,skm,tkm}为基函数Bm(x)参数,Bm(x)为基函数向量,具体步骤如下:
A.将每个x值充当节点tkm构成的基函数加入当前基函数参数集basicFunctionList中,basicFunctionList中包括待分割的x的维数dim,节点tkm,对X的basicFunctionList{i}.dim维按照节点值basicFunctionList{i}.tkm划分成大于和小于两维加入临时基函数向量集basisTmp中,具体为:复制xm得到两个向量,一个向量把大于tkm的元素置零,另一个向量把小于tkm的元素置0。根据当前基函数建立临时分类模型,计算当前模型的误差;
B.将误差最小值对应的基函数向量加入到基函数向量集basisSet中;
C.根据当前基函数集向量集basisSet建立分类模型;
D.如果当前误差小于误差阈值,则退出迭代;
basisSet即式(3)中的Bm(x)即用于分类的新的向量,原x由d维变成Km维,整个B(x)的维数用KM表示。对x来说,Km个{m,skm,tkm}即线性分段模型。
1.2.2分类模型建立
得到的B(x)可作为分类器的输入变量建立分类模型,B(x)是所有维的基函数,通过感知机方法求解分类模型:
A.令z=B(x),需要为z增加一维常数项取值为1,初始化c个KM+1维向量v为全零矩阵。
B.对每一类循环,在第i次循环中,选择另一个类j,按式(4)对所有i类样本zi计算概率差值e:
e=<vi·zi>-<vj·zj> (4)
在所有zi中选择e最小且为负值的样本zm,计算vi=vi+zm,vj=vj-zm当所有<vi·zi>><vj·zj>时,或迭代次数达到限制值时,退出迭代。得到的模型是(KM+1)×c维矩阵,用V表示。
2.分类预测
对于待分类的M维向量x0,得到c维实数向量Pn,分类预测通过以下五步骤实现:
A.将待分类的向量xo乘以线性判别分析中得到的投影矩阵W,得到新的样本x=WTxo;x即降到d维后的样本。
B.根据模型参数中{m,skm,tkm}对模型中的每一维分量xm进行分段,形成分段后的向量B(x);
C.求z':令z的第一维为全1向量,第二维以后为B(x);
D.按Pn=Vz'计算出N个c维实数向量Pn;
E.根据每个Pn的最大值得到其类号。
本发明选取三种不同类型的高维小样本数据集:ORL人脸数据集、红外图像土壤分类数据集以及红外图像火点检测数据集。ORL人脸数据集是对分类判断标准测试集,选取红外土壤和火点检测数据集来源于项目“红外遥感在环保、大气和地质异常的应用研究”。
ORL人脸数据集是由英国剑桥的Olivetti研究实验室创建的标准数据库,包含40个人,每个人有十张图片,每幅图片大小为112×92,即每一个样本的维数是10304。
土壤数据集(doi:10.3972/heihe.00134.2016.db)是从黑河计划数据管理中心下载得到的,红外图像选择使用LANSAT8数据,选取了不同时间的LANSAT8图像,每个图像包括11个波段,选取每一个土壤数据的对应点的31×31邻域表示成一行,组成一个样本数据,即每个样本的维数为10571,共有126个样本,土壤类别共有4类。
火点数据集是自制数据集,对已知火点信息在图像上进行标记,同样选用LANSAT8红外遥感图像。一共110个火点,包含在18张遥感图像中。火点检测只有两个分类:有(火点),没有(火点)。由于每一张遥感图像大小为7701×7821,并且每个对应点有十一个波段,相当于有十一张等大的图像,将火点数据对应点的31×31邻域表示成一行,组成一个样本数据,共有256个样本,对其进行分类,即每一个样本有9900维,火点的位置标记为1,没有火点的位置标记为0,数据集一共有110个样本。
对比方法为传统的主成分分析(Principal Component Analysis,PCA)结合SVM分类器,即先用PCA对样本数据降维,然后采用SVM分类器进行判别。本发明方法对比指标为分类的准确率,验证方法为K-Fold交叉验证。本发明的方法同样是首先降维,然后通过MARS对降低后的维度再分段,目的是把非线性分类问题转换为线性分类问题,分段后的维数又有一定程度的提高。虽然分段后的维数有所提高,但由于采用的是线性分类器,速度仍然很快。
表1列出了在每种数据集上,PCA和本发明方法的降维的维数,及K-Fold交叉验证中的K。
表1各数据集实验参数一览表
SVM分类方法与本发明分类方法在三种数据集上的分类结果见表2-表4。
表2 ORI人脸数据分类结果
表3土壤数据分类检测结果
表4火点检测数据分类检测结果
本发明预测时间测试的机器配置是:
处理器:Intel(R)Core(TM)i7-8700CPU主频3.20GHz,内存:16GB。
软件环境是:
Windows10操作系统,开发工具:Matlab R2017a。
本发明的平均每个样本完成预测的时间分别为2.5ms、2.8ms、1.6ms,SVM的预测时间是15ms、10ms、7.8ms,综上本发明在时间上的优势十分明显。
统计结果显示,针对于高维小样本的三种不同类型的数据,本发明算法比传统的支持向量机的分类准确率高且稳定,并且具有较快的预测时间。
Claims (1)
1.一种基于线性判别分析与多元自适应样条的数据分类方法,其特征在于,包括以下步骤:
步骤一:对训练样本集中的待分类的M维向量xo进行线性判别分析,得到降维后的向量x,设置降维后的维数为d,具体为:
步骤1:计算类内散度矩阵Sw:
其中,μj为第j类样本的均值向量,μ为所有样本的均值向量,k为类别数,Xj为第j类样本集;
步骤2:计算类间散度矩阵Sb:
其中,Nj(j=1,2,…,k)为第j类样本的个数;
步骤3:计算矩阵Sw -1Sb;
步骤4:通过矩阵相似对角化计算Sw -1Sb的最大的d个特征值和对应的d个特征向量(w1,w2,…,wd),得到投影矩阵W,W=[w1,w2,…,wd],W为M行d列矩阵;
步骤5:对训练样本集中的每一个样本特征xo,转化新的样本x=WTxo,x即为降成d维的向量;
步骤二:把步骤一得到的x表示成多元自适应回归样条基函数Bm(x)的形式,对于x的第m维分量xm,tkm是第k次直线分段的节点,skm∈{-1,1},[·]+表示方括号中的向量只取大于0的部分,xkm是第k次线性分段后的xm,{m,skm,tkm}为Bm(x)的参数,具体为:
步骤1:将每个x值充当节点tkm构成的基函数加入当前基函数参数集basicFunctionList中,basicFunctionList中包括待分割的x的维数dim,节点tkm,对x的basicFunctionList{i}.dim维按照节点值basicFunctionList{i}.tkm划分成两个向量,其中一个向量为大于tkm的元素置零,另一个向量为小于tkm的元素置0,将上述两个向量加入临时基函数向量集basisTmp中,根据当前基函数建立临时分类模型,计算当前模型的误差;
步骤2:将误差最小值对应的基函数向量加入到基函数向量集basisSet中;
步骤3:根据当前基函数集向量集basisSet建立分类模型;
步骤4:如果当前误差小于误差阈值,则退出迭代;basisSet即Bm(x)是用于分类的新的向量,原x由d维变成Km维,整个B(x)的维数用KM表示,对x来说,Km个{m,skm,tkm}即线性分段模型;
步骤三:得到的所有维的基函数B(x)作为分类器的输入变量建立分类模型,通过感知机方法求解分类模型,具体为:
步骤1:令z=B(x),为z增加一维常数项取值为1,初始化c个KM+1维向量v为全零矩阵;
步骤2:对每一类循环,在第i次循环中,选择另一个类j,按e=<vi·zi>-<vj·zj>对所有i类样本zi计算概率差值e:
在所有zi中选择e最小且为负值的样本zm,计算vi=vi+zm,vj=vj-zm当所有<vi·zi>><vj·zj>时,或迭代次数达到限制值时,退出迭代,得到的模型是(KM+1)×c维矩阵,用V表示;
步骤四:对于待分类的测试集M维向量x1,得到c维实数向量Pn,具体为:
步骤1:将测试集中待分类的向量x1乘以步骤一中得到的投影矩阵W,得到新的样本x2=WTx1;取前d维形成降维后的样本x2;
步骤2:根据步骤二中模型参数中{m,skm,tkm}对x2中的每一维分量xm进行分段,形成分段后的向量B(x2);
步骤3:令z的第一维为全1向量,第二维以后为B(x2),得到z';
步骤4:按Pn=Vz'计算出N个c维实数向量Pn;
步骤5:根据每个Pn的最大值得到其类号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357895.7A CN110097117B (zh) | 2019-04-30 | 2019-04-30 | 基于线性判别分析与多元自适应样条的数据分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357895.7A CN110097117B (zh) | 2019-04-30 | 2019-04-30 | 基于线性判别分析与多元自适应样条的数据分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097117A true CN110097117A (zh) | 2019-08-06 |
CN110097117B CN110097117B (zh) | 2023-12-12 |
Family
ID=67446461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910357895.7A Active CN110097117B (zh) | 2019-04-30 | 2019-04-30 | 基于线性判别分析与多元自适应样条的数据分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097117B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400885A (zh) * | 2020-03-10 | 2020-07-10 | 北京空间飞行器总体设计部 | 基于分段线性拟合的遥感影像多目标快速预测建模方法 |
CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916376A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 基于局部样条嵌入的正交半监督子空间图像分类方法 |
CN102208020A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于最优维数标度切判据的人脸识别方法 |
US20130202173A1 (en) * | 2008-02-19 | 2013-08-08 | vascuVis Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
US20130322728A1 (en) * | 2011-02-17 | 2013-12-05 | The Johns Hopkins University | Multiparametric non-linear dimension reduction methods and systems related thereto |
CN103678500A (zh) * | 2013-11-18 | 2014-03-26 | 南京邮电大学 | 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法 |
CN104809475A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于增量线性判别分析的多类标场景分类方法 |
CN106022361A (zh) * | 2016-05-10 | 2016-10-12 | 扬州大学 | 一种基于局部样条嵌入的核化分类器 |
CN106126474A (zh) * | 2016-04-13 | 2016-11-16 | 扬州大学 | 一种基于局部样条嵌入的线性分类方法 |
CN107038456A (zh) * | 2017-03-23 | 2017-08-11 | 北京工业大学 | 一种基于l1范数的概率线性判别分析的图像分类方法 |
CN107273926A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于余弦相似度加权的线性判别分析降维方法 |
CN107403200A (zh) * | 2017-08-10 | 2017-11-28 | 北京亚鸿世纪科技发展有限公司 | 改进图像分割算法结合深度学习的多重不良图片分类方法 |
-
2019
- 2019-04-30 CN CN201910357895.7A patent/CN110097117B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130202173A1 (en) * | 2008-02-19 | 2013-08-08 | vascuVis Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
CN101916376A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 基于局部样条嵌入的正交半监督子空间图像分类方法 |
US20130322728A1 (en) * | 2011-02-17 | 2013-12-05 | The Johns Hopkins University | Multiparametric non-linear dimension reduction methods and systems related thereto |
CN102208020A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于最优维数标度切判据的人脸识别方法 |
CN103678500A (zh) * | 2013-11-18 | 2014-03-26 | 南京邮电大学 | 一种数据挖掘中基于线性判别分析的改进型k均值聚类方法 |
CN104809475A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于增量线性判别分析的多类标场景分类方法 |
CN106126474A (zh) * | 2016-04-13 | 2016-11-16 | 扬州大学 | 一种基于局部样条嵌入的线性分类方法 |
CN106022361A (zh) * | 2016-05-10 | 2016-10-12 | 扬州大学 | 一种基于局部样条嵌入的核化分类器 |
CN107038456A (zh) * | 2017-03-23 | 2017-08-11 | 北京工业大学 | 一种基于l1范数的概率线性判别分析的图像分类方法 |
CN107273926A (zh) * | 2017-06-12 | 2017-10-20 | 大连海事大学 | 一种基于余弦相似度加权的线性判别分析降维方法 |
CN107403200A (zh) * | 2017-08-10 | 2017-11-28 | 北京亚鸿世纪科技发展有限公司 | 改进图像分割算法结合深度学习的多重不良图片分类方法 |
Non-Patent Citations (3)
Title |
---|
MULIN CHEN ET AL: "Discriminant Analysis with Graph Learning for Hyperspectral Image Classification", REMOTE SENSING * |
孔锐, 张冰: "基于核Fisher判决分析的高性能多类分类算法", 计算机应用, no. 06 * |
肖秋娴;张瑞明;: "弹性判别分析在纸币鉴别中的分类应用", 数学的实践与认识, no. 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400885A (zh) * | 2020-03-10 | 2020-07-10 | 北京空间飞行器总体设计部 | 基于分段线性拟合的遥感影像多目标快速预测建模方法 |
CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110097117B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
CN109583322B (zh) | 一种人脸识别深度网络训练方法和系统 | |
CN107292339A (zh) | 基于特征融合的无人机低空遥感影像高分地貌分类方法 | |
CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
CN106651915B (zh) | 基于卷积神经网络的多尺度表达的目标跟踪方法 | |
CN111753874A (zh) | 一种结合半监督聚类的图像场景分类方法及系统 | |
CN108021947A (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
CN108229550A (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN107918772A (zh) | 基于压缩感知理论和gcForest的目标跟踪方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN114565048A (zh) | 基于自适应特征融合金字塔网络的三阶段害虫图像识别方法 | |
CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
CN109815814A (zh) | 一种基于卷积神经网络的人脸检测方法 | |
CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
CN108877947A (zh) | 基于迭代均值聚类的深度样本学习方法 | |
CN110097117A (zh) | 基于线性判别分析与多元自适应样条的数据分类方法 | |
CN112766170A (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |