BPS D3麸皮具有一个非超对称表亲，称为非敏感D3麸皮，这也是IIB型弦理论的解决方案。 黑色D3焊缝对应的对应物是“黑色”非多余的D3焊缝，并且与BPS D3焊缝一样，它也具有解耦限制，即解耦的几何形状（在我们感兴趣的情况下，这是渐近的AdS $ _ { 5} $×S $ ^ {5} $）是（3 + 1）维非共形，非超对称QFT的全息对偶。 在此QFT中，我们使用上述提到的球形子系统几何图形全息计算了纠缠熵（EE），复杂度和Fisher信息度量。 保真度和Fisher信息量度是使用文献中的两个不同建议，根据体积几何结构一个时间片的余维正则化极值体积计算得出的。 尽管对于AdS黑洞，两个提议给出的结果相同，但对于非超对称背景，结果却不同。

此函数计算特征的 Fisher 分数或判别系数。 它可以用于两类特征选择场景。

提出了利用小波变换(WT)、非负稀疏矩阵分解(NMFs)和Fisher线性判别(FLD)来进行人脸识别。用小波变换分解人脸图像，选择最低分辨率的子段，既能捕获到人脸的实质特征，又有效地降低了计算复杂性；非负稀疏矩阵分解能显示地控制分解稀疏度和发现人脸图像的局部化表征；Fisher线性判别能在低维子空间中形成良好的分类。实验结果表明，这种方法对光照变化、人脸表情和部分遮挡不敏感，具有良好的健壮性和较高的识别效率。

视频图matlab代码fisher_vector_aggregation_3d 用于3D对象检索的有效Fisher向量聚合 由Jean-Baptiste Boin与AndréAraujo，Lamberto Ballan和Bernd Girod合作 斯坦福大学图像，视频和多媒体系统小组 该存储库包含用于工作的代码：JB Boin，A。Araujo，L。Ballan和B. Girod。 Proc。中的“用于3D对象检索的有效Fisher矢量聚合”。 ICASSP，2017年。用于此工作的数据集是“雕塑”数据集。 我们还提供了可在其他数据集上运行的脚本。 对于该数据集，摄像机的姿势已经为人所知，因此“姿势”聚合方法不需要“从运动构造”步骤。 安装先决条件 先决条件： 图像魔术 该项目所依赖的其他项目的依存关系（，） 第1步：克隆存储库。 $ git clone https://github.com/jbboin/fisher_vector_aggregation_3d.git 第2步：我们用于Fisher向量框架的实现是基于Araujo等人的实现的，其中进行了一些小的修改。 我们包含了一个构

实现判别别分析的源程序 （Matlab）

这用Jupyter完成Iris数据集的 Fisher线性分类，并学习数据可视化技术 。里写目录标题用Jupyter完成Iris数据集的 Fisher线性分类，并学习数据可视化技术 。一、完成Iris数据集的 Fisher线性分类判断准确率二、学习数据可视化1、数据概览1.1、读取文件1.2、前五行数据1.3、后五行数据1.4、查看数据整体信息1.5、描述性统计1.6、对每种特征计数2、特征工程2.1、引入可视化所需要的库2.2、去掉Species下的字符2.2、绘制花萼的长度与宽度的散点图2.3、绘制花瓣的长度与宽度的散点图2.4、Id编号与花萼长度, 花萼宽度, 花瓣长度, 花瓣宽度之间的关

针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题，提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征，然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征，最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明，该方法的分类准确率达到82.3%，较FV-SIFT算法在分类准确率上提高了15.4%。

已知两类分类问题，类别用ω1 和ω2 表示，每类的先验概率已知， P w(1)0.6，Pw(2)=0.4。这里样本向量的维数是 3 维。 ω1中数据向量 xx1=[x1, y1, z1]T，其数据点的坐标对应如下。 x1 = 0.2331 1.5207 0.6499 0.7757 1.0524 1.1974 0.2908 0.2518 0.6682 0.5622 0.9023 0.1333 -0.5431 0.9407 -0.2126 0.0507 -0.0810 0.7315 0.3345 1.0650 -0.0247 0.1043 0.3122 0.6655 0.5838 1.1653 1.2653 0.8137 -0.3399 0.5152 0.7226 -0.2015 0.4070 -0.1717 -1.0573 -0.2099 y1= 2.3385 2.1946 1.6730 1.6365 1.7844 2.0155 2.0681 2.1213 2.4797 1.5118 1.9692 1.8340 1.8704 2.29

基于核函数的Fisher分类判别，用于比同种类的分类。

实验基于ORL标准人脸数据库，包含可视化界面ORL标准人脸识别库包含40个人的人脸数据组，本次实验选取其中4个人的图像。4个人共40张图像，选取每个人的十张图像的前八张图像作为训练集，最后两张作为测试集，以此检验Fisher判别准则函数的实际效果。