时间相关单光子计数型激光雷达距离判别法

大数据-算法-解析函数Cantor边界性质判别条件的讨论.pdf

大数据-算法-非欧框架下的线性判别分析.pdf

基于Bayes 判别分析方法的地下工程岩爆发生及烈度分级预测

判别近邻嵌入算法(discriminant neighborhood embedding，DNE)通过构造邻接图，使得在投影子空间中能够保持原始数据的局部结构，能有效地发现最佳判别方向。但是它有两方面的不足：一方面不能标识样本点的近邻样本点位置信息，从而不能更好地保持邻域结构；另一方面当数据不均衡时，不能实现子空间中类内聚合或者类间分离的目的，这不利于分类。为此提出了一种新的有监督子空间学习算法――局部平衡的判别近邻嵌入算法(locality-balanced DNE，LBDNE)。在构建邻接图时，局部平

实现西瓜数据集的二分类问题，其输出标记y={0,1}，即给定数据集D={（xi,yi）},设法将样例投影到一条直线上，使得同类样本方差最小，异类样本个中心点尽可能的远。在对新样本进行分类时，将其投影到同样的这条直线线上，根据投影点的位置来确定样本的类别。

为了提高人脸识别的准确率，提出了一种基于二维线性判别分析的彩色人脸识别算法，直接对彩色人脸图像不同通道的颜色信息进行编码，采用矩阵表示模型描述人脸对象；融合人脸的类别特征，采用二维线性判别分析的算法提取彩色人脸的分类特征；根据投影后的特征矩阵，采用最近邻分类的算法进行人脸识别。利用CVL和CMU PIE彩色人脸数据库进行实验。结果表明，本文提出的彩色人脸识别算法能有效地提高人脸识别的准确率，明显优于对比的算法。

本研究旨在撞髙交通状态判别与预测的效果，在分析各类交通数据的基础上，釆用先进机器学习方法，并有机结合特征选择、参数优化等理论方法，对交通状态判别与预测方法展开琛入研究，主要研究内容及成粜如下：基于ＲＢＦ神经网络的交通流缺失数据修复方法神经网络用于交通流领域研究的优势在于神经网络能够简化研究模型时的建模过程，尤其是针对交通流的非线性特征，对于复杂的非线性问题具有良好的解决能力。研究发现，ＲＢＦ神经网络具有自组织、自学习、自适应的功能，不会出现局部极小值问题，对非线性的连续函数具有一直逼近性，训练速度较快，同时它可以对数据进行大范围的融合，髙速处理数据。因此，本文以ＲＢＦ神经网络为主体构建了交通流预测模型，随后利用模型预测值修复交通流缺失数据。为了验证其可行性和精确度，本文将提出的模型与元非线性回归模型以及ＢＰ神经网络模型的修复精度进行了对比，结果表明本文提出的基于ＫＥＦ神经网络的模型对于交通梳缺失数据的修复效果更好。基于小波和 改进 ＢＰ 神 经 网 络 的 交通事件 自 动 检铡 方法本文在研究基础 上提出 了一种 基于小波和 改进 Ｂ Ｐ 神 经 网 络 进行道路......

随着社会经济的高速发展，出行需求的持续增加，道路供需矛盾日益突出，致使 交通拥堵路段的数量和里程逐年增加。实时准确的交通状态判别和预测，对于交通拥 堵的智能管控具有重要的作用。随着ITS的逐步实施，各类交通检测设备提供了不同 精度、广度和深度的大量交通数据。然而，如何有效分析交通数据却成为一个巨大的 挑战。传统数据分析方法往往具有特定的模型结构和过多的假设条件，而不能满足分 析各类数据的需求。因此，有必要研究和探索用于交通状态判别与预测的新方法，以 充分挖掘交通数据所蕴含的丰富交通信息，进一步提升交通状态判别与预测的准确性 和可靠性。 本研究旨在改善交通状态判别与预测的效果，在分析各类交通数据的基础上，采 用先进机器学习方法，并有机结合特征选择、群体智慧搜索和时间序列分析等理论方 法，对交通状态判别与预测方法展开深入研究。主要研究内容及成果如下: (1)基于PSO-SVR优化FCM的交通流缺失数据修复方法 在分析交通流数据时空相关性的基础上，提出了基于PSO-SVR优化FCM的缺失 数据修复方法，以模糊C均值(FCM)为基础算法，采用粒子群优化算法(PSO)和 支持向量回归(SVR)的

基于MATLAB的狄克逊判别准则，可以用来判断和剔除粗大误差与野值。