English
资源说明：Fisher线性判别分析（LDA）在许多模式识别应用程序中，尤其是在生物识别学习中，通常用于缩小尺寸和提取判别特征。 在推导Fisher的LDA公式时，有一个假设，即类别经验均值等于其期望值。 但是，此假设在实践中可能无效。 在本文中，从“扰动”的角度出发，我们开发了一种称为扰动LDA（P-LDA）的新算法，其中引入了扰动随机向量，以了解费舍尔中类经验均值及其期望值之间的差异的影响。标准。 以Fisher准则进行的这种扰动学习将产生与某些扰动因子集成在一起的类内和类间协方差矩阵的新形式。 此外，提出了一种用于估计扰动随机向量的协方差矩阵的方法，以用于实际实现。 拟议的P-LDA在合成数据集和真实面部图像数据集上都进行了评估。 实验结果表明，在欠采样情况下，P-LDA优于流行的基于Fisher的LDA的算法。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
