English  |  正體中文  |  简体中文  |  Items with full text/Total items : 28588/40619
Visitors : 4199046      Online Users : 47
RC Version 4.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
Scope Adv. Search
LoginUploadHelpAboutAdminister

Please use this identifier to cite or link to this item: http://ntour.ntou.edu.tw:8080/ir/handle/987654321/53048

Title: 協同空間摺疊操作之費雪判別分析與事後混合判別分析
Authors: 張欽圳
Contributors: 國立臺灣海洋大學:資訊工程學系
Keywords: 費雪判別分析
線性整流函數
混合判別分析
Date: 2020-08
Issue Date: 2020-07-01T01:13:25Z
Publisher: 科技部
Abstract: 摘要:
費雪判別分析是一個常用的監督式降維/判別特徵抽取法。由於費雪判別分析假設資料具等分散性,它可能無法有效地處理具不等變異性 (heteroscedasticity) 或類別內資料具多峰性 (mulit-modality)的資料。在這兩年計畫,我們將發展兩個演算法來補強其弱點。 使用線性整流函數(ReLU)為觸發函數的深向前傳導類神經網路(deep feedforward neural networks),可藉由連續的空間摺疊,將數個在輸入空間的區域對映至相同輸出。由那個神經網路架構的啟發,我們將在第一年使用線性整流函數發展一個折疊費雪判別分析找不到判別資訊的子空間的演算法。藉由連續的空間摺疊幫助費雪判別分析找到更多判別資訊。 第二年,我們將發展基於事後機率的混合判別分析演算法(mixture discriminant analysis)。目前混合判別分析與子類別分析(subclass discriminant analysis)都先學習每個類別的混合分布(mixture distribution)或子類別結構(subclass structure),然後再做判別分析。擬發展的方法則是從事後機率(posterior probability)得到抽取判別特徵的轉換矩陣。由於事後機率直接關聯到類別判定,並且在這個問題,學習事後機率不會難於學習每個類別的混合分佈。所欲發展的演算法可期待優於目前的方法。 這兩個將要發展的演算法都是新穎、可行並且可以補強費雪判別分析的弱點。他們將可擴大費雪判別分析的適用範圍。
URI: http://ntour.ntou.edu.tw:8080/ir/handle/987654321/53048
Appears in Collections:[光電科學研究所] 研究計畫

Files in This Item:

File Description SizeFormat
index.html0KbHTML1View/Open


All items in NTOUR are protected by copyright, with all rights reserved.

 


著作權政策宣告: 本網站之內容為國立臺灣海洋大學所收錄之機構典藏,無償提供學術研究與公眾教育等公益性使用,請合理使用本網站之內容,以尊重著作權人之權益。
網站維護: 海大圖資處 圖書系統組
DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - Feedback