模式识别中使用费舍尔准则的matlab程序

本文基于增强的Fisher判别准则（EFDC），提出了一种新的特征提取方法，称为不相关的增强多样性Fisher判别分析（UEDFDA），用于人脸识别。 UEDFDA通过同时考虑类别标签信息和局部结构来定义无参数分集加权矩阵。 因此，UEDFDA可以保留数据的局部多样性结构，而无需设置任何参数。 此外，所提出的算法能够提取特征空间中不相关的判别向量，并且不会遭受样本量小的问题，这是许多模式分析应用所希望的。 人脸数据库的实验结果表明了该方法的有效性。

Fisher线性判别分析（LDA）在许多模式识别应用程序中，尤其是在生物识别学习中，通常用于缩小尺寸和提取判别特征。 在推导Fisher的LDA公式时，有一个假设，即类别经验均值等于其期望值。 但是，此假设在实践中可能无效。 在本文中，从“扰动”的角度出发，我们开发了一种称为扰动LDA（P-LDA）的新算法，其中引入了扰动随机向量，以了解费舍尔中类经验均值及其期望值之间的差异的影响。标准。 以Fisher准则进行的这种扰动学习将产生与某些扰动因子集成在一起的类内和类间协方差矩阵的新形式。 此外，

在空中和卫星图像分析领域，自动检测混乱场景中的地理空间目标是一项严峻的挑战。 在本文中，我们提出了一种新颖的实用框架，该框架通过整合可视显着性模型和稀疏编码的判别式学习，可以高效且同时检测遥感图像（RSI）中的多类地理空间目标。 首先，通过学习从各种视觉特征到专家手动注释的地理空间图像中显着对象的地面真值集的直接映射，来建立计算显着性预测模型。 该模型的输出可以预测少量的目标候选区域。 然后，与针对每种目标类别进行独立训练的典型模型相反，我们训练了一种多类别目标检测器，该探测器可通过使用区分性稀