XiaoMi-AI文件搜索系统
World File Search System判别分析
应用于EEG分类的新型判别分析
摘要 - 本文提供了一种开发t -wishart分布的协方差矩阵的分类方法，该方法概括了WishArt分布。与WishArt分布相比，它对于异常协方差矩阵更为强大，并且更灵活地对分布不匹配。在此矩阵变化分布的最新发展之后，提出的分类器是通过利用判别分析框架并提供原始决策规则来获得的。通过对实际数据的数值实验，我们的方法的实际兴趣得到了表明。更确切地说，所提出的分类器在两个标准的脑电图数据集上获得了最佳结果，而最佳最低距离（MDM）分类器相比。索引项 - EEG，协方差矩阵，t -wishart，Bayseian分类，判别分析，BCI。
使用线性判别分析算法对心脏病进行分类
摘要。缺血性冠心病是全球死亡的第一大原因。发现这种疾病只能通过直接与心脏病专家进行咨询，这当然不小。因此，需要系统来检测精度但低成本的患者的心脏病。随着技术的发展，尤其是在人工智能领域，有机器学习技术可以增强自动检测能力。线性判别分析是预测尽早检测心脏病的机器学习方法之一。在这项研究中，实施线性判别分析算法以对心脏病进行分类。使用的数据集来自UCI机器学习存储库。这项研究进行了两种实验疾病，对心脏病进行了两种基于痛苦的心脏病分类，其他是将心脏病分类为5级阶段。结果证明，使用2类LDA的分类器的性能大于5类。LDA算法的性能在将心脏病与2个标签分类为靶标或输出s中。从这些结果中，精度值为0.82，召回值为0.81，F1得分值为0.81，精度为81.22％。
脑机接口的克罗内克线性判别分析...
[1] Fetsje Bijma、Jan C. de Munck 和 Rob M. Heethaar。“时空 MEG 协方差矩阵建模为 Kronecker 积之和”。在：NeuroImage 27.2（2005 年 8 月），第 402-415 页。[2] Kristjan Greenewald 和 Alfred O. Hero。“通过 Kronecker 积展开进行正则化块 Toeplitz 协方差矩阵估计”。在：2014 年 IEEE 统计信号处理 (SSP) 研讨会。ISSN：2373-0803。2014 年 6 月，第 9-12 页。[3] Jan Sosulski 和 Michael Tangermann。“引入块 Toeplitz 协方差矩阵以重新掌握事件相关电位脑机接口的线性判别分析”。收录于：arXiv:2202.02001 [cs, q‑bio] (2022 年 2 月)。arXiv：2202.02001。[4] Arne Van Den Kerchove 等人。“使用正则化时空 LCMV 波束形成对事件相关电位进行分类”。en。收录于：Applied Sciences 12.6 (2022 年 1 月)，第 2918 页。
引入 Block-Toeplitz 协方差矩阵重新掌握事件相关电位脑机接口的线性判别分析
摘要 — 由于维数较高，噪声多通道脑电图时间序列数据的协方差矩阵难以估计。在基于事件相关电位和线性判别分析 (LDA) 进行分类的脑机接口 (BCI) 中，解决这个问题的最新方法是通过收缩正则化。我们提出了一个新想法来解决这个问题，即对 LDA 的协方差矩阵实施块 Toeplitz 结构，这实现了每个通道在短时间窗口中信号平稳的假设。在 13 种事件相关电位 BCI 协议下收集的 213 名受试者的数据上，与收缩正则化的 LDA（最多 6 个 AUC 点）和黎曼分类方法（最多 2 个 AUC 点）相比，由此产生的“ToeplitzLDA”显著提高了二元分类性能。这意味着应用程序级别的性能得到了极大改善，例如在无监督视觉拼写器应用程序中记录的数据，其中 25 个受试者的拼写错误平均可以减少 81%。除了 LDA 训练的内存和时间复杂度较低之外，ToeplitzLDA 被证明即使在 20 倍的时间维度扩大后也几乎保持不变，这减少了对特征提取专家知识的需求。
使用机器学习优化糖尿病分类...
方差和 Fisher 判别比。研究人员随后结合了十种不同的分类器，包括线性判别分析、二次判别分析、普通贝叶斯、高斯过程分类、支持向量机、人工神经网络、AdaBoost、逻辑回归、决策树、
EE4146：数据工程和机器学习
新兴的机器学习技术介绍机器学习技术：统计方法，例如判别分析和主要成分分析；有监督的学习，例如天真的贝叶斯分类器，K最近的邻居和神经网络；无监督的学习方法，例如自组织图和聚类；高维降低，例如线性判别分析（LDA），多种多样学习和特征选择方法；诊断分析和实际案例研究。
改善来自微小培训的协方差矩阵...
大脑计算机界面域中使用的抽象脑电图数据通常具有低于标准的信噪比，并且数据采集很昂贵。有效且常用的分类器来区分事件相关电位是线性判别分析，但是，它需要对特征分布进行估计。虽然功能协方差矩阵提供了此信息，但其大量的免费参数要求使用正规化方法，例如Ledoit -Wolf收缩。假设与事件相关的潜在记录的噪声没有时间锁定，我们建议将与事件相关潜在数据的协方差矩阵分离，以进一步改善线性歧视分析的协方差矩阵的估计值。我们比较了三种正则变体和基于黎曼几何形状的特征表示，与我们提出的新型线性判别分析与时间耦合的协方差估计值进行了比较。对14个脑电图数据集的广泛评估表明，新颖的方法可将分类性能提高到小型训练数据集的最高四个百分点，并优雅地收敛于标准收缩率调查的LDA对大型培训数据集的性能。鉴于这些结果，该领域的从业人员应考虑使用线性判别分析来对事件相关的电位进行分类时，应考虑使用我们提出的时间耦合协方差估计，尤其是在很少有培训数据点可用时。
原创研究论文基于线性判别分析的深度学习算法用于数字字符手写识别
自主获取输入的层次表示。该研究开发了分类算法，用于识别数字字符（0-9）中的手写数字，分析分类器组合方法并确定其准确性。该研究旨在优化同时处理多个脚本时的识别结果。它提出了一种简单的分析技术、线性判别分析 (LDA) 实现和用于数字字符分类的 NN 结构。然而，测试显示 LDA 分类器的结果不一致。该方法将基于配置文件的特征提取 (FE) 与高级分类算法相结合，可以显著改善 HWR 数字字符领域，这从它产生的不同结果可以看出。该模型在 MNIST 数据集上的表现为 98.98%。在 CPAR 数据库中，我们完成了跨数据集评估，准确率为 98.19%。关键词：手写识别；深度学习；神经网络；特征提取；线性判别分析；准确性
（c）皇家版权 2008 - 国家物理实验室
1. 简介 2. 线性代数 3. 因子分析 • 主成分分析 • 多元曲线解析 4. 多元回归 • 多元线性回归 • 主成分回归 • 偏最小二乘回归 5. 分类 • 主成分判别函数分析 • 偏最小二乘判别分析 6. 结论