基于LP范数最大化的线性判别分析

LLDA，局部线性判别分析，可以降到任意的维度，相比LDA更加优秀

人脸图像特征提取matlab代码支持向量机的图像分类 在这里，我训练了支持向量机，线性判别分析和四层前馈神经网络，以对来自CIFAR-10数据集的10个图像类别进行分类，从而以62.7％的SVM实现了最高的准确性。 该实验的关键问题是发现用于降低尺寸的PCA和LDA的非传统组合是否优于单独的LDA或PCA。 此外，在有监督类质心初始化的情况下，我测试是否可以使用聚类方法（k均值和GMM）进行分类。 Matlab要求： FDA LDA多类（1.7版） 计算机视觉系统工具箱（8.0版） 神经网络工具箱（11.0版） 统计和机器学习工具箱（版本11.2） 怎么跑 克隆计算机上的存储库，并确保CW2Data.mat与matlab脚本位于同一文件夹中。 按此顺序运行matlab步骤1至8。 介绍 我们提出了CIFAR-10数据集图像的十类监督分类问题。 我们的培训和测试数据分别包含10个类别的1000个样本和100个样本。 图像数据存储在四维矩阵中，其中前两个维表示图像大小（32x32），第三个维是RGB颜色通道，最后一个维索引数据样本。 我们提出的数据挖掘管道首先使用定向梯度直方图（HOG）进

介绍线性判别分析(LDA),很生动很透彻!

以花为例的线性判别分析。 在这里，我们讨论了三种不同种类的花，并通过使用萼片和花瓣的参数来区分它们。

大数据-算法-非欧框架下的线性判别分析.pdf

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。

matlab程序，用于对提取的各种特征值进行线性判别分析，进而分析分类器用于分类的有效性

对于通常数据维数很大的医学成像/生物数据，典型的 LDA 应用程序由于试图反转一个不可能的大矩阵而失败。 这可以使用内核技巧来补救。 当前文件尝试执行此操作。 如果您将此作品用作作业/论文/论文的一部分，请引用以下论文： Gaonkar、Bilwaj 和 Christos Davatzikos。 “基于支持向量机的多元图像分析和分类的统计显着性图的解析估计。” NeuroImage 78 (2013): 270-283。 请注意，此代码是作为上述论文工作的一部分开发和分发的，引用这有助于我们开发和分发更多此类工作。 我已经尝试在代码中加入适当的注释，这段代码的灵感来自于之前在 matlab central 上提交的几个代码