沉积环境与多元统计综合分析法

本文首先根据地震资料提取了十二种地震参数，然后通过对ＬＨ油田ＴＺ地区沙三上段下部地层进行沉积环境分析，确定了可能存在的沉积相类型，并用有序样品聚类的方法对过井和井旁地震测线按沉积相个数进行分割，由此而建立了该区各类沉积相的判别函数。通过这些判别函数，用逐步判别分析的方法，对该区其它地震测线的参数进行判别分类，最后搞清了研究区目的层的沉积相展布。通过分析和计算证明，这一方法对有地震资料的盆地或地区进行沉积相的划分，是行之有效的     

纹理豪斯多夫距离在人脸识别算法中的应用

很多经典的人脸识别方法难以适应姿势变化及人脸错位的情形。为了解决这一问题,提出一种基于纹理豪斯多夫距离(THD)的人脸识别算法。将人脸图像的空间量及纹理特征相结合,使其在深入的头部转动和人脸错位中都有很高的容错度。在FERET及Yale两大人脸数据库的实验表明,与其他经典的方法相比较,所提出的方法取得了更好的识别效果。     

基于线性判别分析的寄生虫卵识别

寄生虫病是危害人类及动物健康的疾病之一。为了实现对寄生虫卵的自动识别,辅助临床检测,提出基于线性判别分析的寄生虫卵识别方法。采用结合形态学滤波和Otsu的方法分割得到寄生虫卵及其轮廓,提取形状特征和纹理特征作为特征向量集,并利用线性判别分析实现对寄生虫卵自动识别。实验结果表明,该方法对6种寄生虫卵的识别正确率达到90.70%。     

低分辨率人耳图像识别方法研究*

针对人耳识别中存储量和计算速度的要求,同时考虑远距离拍摄时低分辨率人耳识别问题,探讨了低分辨率人耳图像识别性能,给出了分辨率与识别率的关系。首先采用高斯金字塔对人耳图像进行不同层的分解,然后对每一层图像应用广义判别分析方法（GDA）提取特征,最后计算样本间的余弦距离,通过阈值法分类识别。实验结果表明,当人耳图像分辨率降低为36×24时系统识别性能最好,满足实时生物识别系统的要求。     

基于群稀疏约束的语音识别特征混合判别分析

为了克服因数据不足,而造成较难提取稳定的长时特征的问题,提出了一种基于群稀疏约束的混合判别分析方法。该方法首先采用高斯混合模型描述数据的分布,在此基础上利用二次变分的形式进行群稀疏的表示,得到基于群稀疏约束的混合判别分析目标函数。接着,通过定义模糊响应矩阵（blurred response matrix）,有效地结合最优化得分方法求解判别分析变换矩阵。最后,拼接相邻帧梅尔滤波器组输出组成超矢量,采用变换矩阵进行变换降维,提取时频特征。实验结果表明,本文方法能够得到稀疏的变换矩阵,相比于PLDA(Penalized LDA)和SLDA（Sparse LDA）判别分析方法,识别准确率分别提高了0.71%和1.53%,且在数据不足的条件下,本文方法能获得更高的识别性能。     

米糠油、花生油和大豆油识别方法研究

采用气相色谱法测定米糠油、大豆油和花生油的总脂肪酸以及sn-2位脂肪酸,以不同脂肪酸的含量为变量,作二维组成信息分布图,对3种植物油进行判别分析.结果表明:对总脂肪酸含量数据分析时,分别以C16:0/C18∶0和C18∶1/C18:0为横坐标,C18∶2/C18∶1为纵坐标作图,能够准确区分3种植物油;采用sn-2位脂肪酸含量数据分析时,分别以C16∶0/C18∶0为横坐标,C18∶2/C18∶1为纵坐标和以C18∶2/C18∶0为横坐标,C16∶0/C18∶0为纵坐标作图,也能明显识别3种植物油,对比两种数据分析结果,采用总脂肪酸含量为变量制作二维图更容易区分3种油脂.     

基于Gabor小波自适应判别的单样本人脸识别

提出一种基于Gabor小波和LDA的人脸识别算法,借助通用训练集估计类内散布矩阵,使才传统LDA算法在单样本问题中可行。最后,在FERET人脸数据库上对所提方法进行了实验,结果表明该方法在单样本问题上取得了较好的结果。     

正则化半监督判别分析方法

为了克服加权线性判别分析(WLDA)只利用有标签的训练样本而不能反映样本数据流形结构的缺点,提出一种正则化的半监督判别分析方法。首先构建所有样本的近邻图来估计数据的局部流形结构,然后将此作为正则项引入WLDA的准则函数中。该方法避免了类内散度矩阵奇异,同时保持了样本数据的判别结构和几何结构。在ORL和YALE人脸数据库上的实验结果证明了该算法的有效性。     

一种基于双向2DMSD的人脸识别方法

提出一种基于双向二维最大散度差线性判别分析(Bidirectional 2DMSD)的人脸识别方法.该方法通过在水平和垂直2个方向上顺序执行2次二维最大散度差线性判别分析(2DMSD)运算,将判别特征信息压缩到图像的左上角,大大减少了图像特征的维数;选用二维最小近邻分类法进行分类,计算识别率.在ORL和Yale人脸数据库上的实验结果表明,该方法不仅在识别率上优于最大散度差线性判别分析(MSD),而且在与2DMSD具有相同识别率的情况下,特征维数比2DMSD大大减小,降低了计算复杂度,减少了识别时间,提高了人脸识别效率.