首先证明了，当类内散布矩阵非奇异时，特定参数值c0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co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，随粉参数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

针对局部线性嵌入算法（LLE）无法利用样本的鉴别信息，最大边界准则算法（MMC）对非线性数据处理能力较弱的不足，提出一种基于最大间距准则的稀疏局部嵌入（SLE/MMC）特征提取算法。在保持局部近邻的前提下，首先在类内紧致图中使同类样本尽可能地聚集在一起；然后在类间惩罚图中使不同类别的样本尽可能分离；最后使用弹性网回归算法得到一个最优的稀疏投影矩阵。为了避免小样本问题，采用MMC的形式构造目标函数。在ORL、Yale以及UMIST人脸库上的实验结果可以看到，同其他几种方法（PCA、LLE和MMC

提出一种二维线性大间距判别分析（Two dimensional linear maximum margin discriminant analysis,2DLMMDA）的投影算法。该算法一方面采用了有效且稳定的大间距优化准则，引入了Laplacian矩阵，保持了特征矩阵的流形结构，且优化域为Laplacian类间散度与Laplacian类内散度之差，能克服Fisher准则带来的小样本问题；另一方面，采用了具有监督信息的判别分析，大大地提高了识别率。为了验证所提出的算法对特征提取的有效性，选择最

MIMO系统中的智能天线技术与空时码快速解码的研究杭州屯f科技大学硕士学位论文 ABSTRACT With the development of communication technology and the growing demand for a variety of applications, communications networks are undergoing great change. It is can be expected that mobile communicati