Direct LDA (DLDA) [78] derives eige

Direct LDA (DLDA) [78] derives eigenvectors using simultaneous diagonalization techniques. Unlike other LDA approaches [47], the DLDA simultaneously diagonalizes the between-class scatter matrix first and then diagonalizes the within-class scatter matrix. The eigenvectors with very small (close to zero) eigenvalues in the SB can be discarded since they contain no iscriminative power, while the eigenvectors with small eigenvalues of the SW matrix simultaneously being kept, especially the null-space. Another LDA variant is called the Gram-Schmidt LDA (GSLDA) [82] approach avoids computing the inverse of the within-class scatter matrix or performing the diagonalization step needed in DLDA. These methods assert that the most discriminating power for LDA may lie in the null-space of the within scatter matrix which maximizes the Fisher’s ratio.

Kết quả (Việt) 1:

Trực tiếp cấp LDA Cải (DLDA) [78] có nguồn gốc eigenvectors bằng cách sử dụng kỹ thuật đồng thời diagonalization. Không giống như các phương pháp tiếp cận cấp LDA cải của [47], DLDA đồng thời diagonalizes ma trận scatter giữa lớp học đầu tiên và sau đó diagonalizes ma trận phân tán trong lớp học. Eigenvectors với rất nhỏ (gần bằng không) tuyến ở SB có thể được loại bỏ vì chúng có chứa không có quyền lực iscriminative, trong khi eigenvectors với tuyến nhỏ của ma trận Nam đồng thời được giữ, đặc biệt là null-không gian. Một cấp LDA cải biến thể được gọi là Gram-Schmidt cấp LDA Cải (GSLDA) [82] phương pháp tiếp cận tránh máy tính nghịch đảo của ma trận phân tán trong lớp học hoặc thực hiện diagonalization bước cần thiết trong DLDA. Những phương pháp khẳng định sức mạnh phân biệt đối xử đặt cho cấp LDA Cải có thể nằm trong không gian null của các bên trong phân tán các ma trận mà tối đa hoá tỷ lệ của Fisher.

Kết quả (Việt) 2:

LDA Direct (DLDA) [78] có nguồn gốc vector riêng sử dụng các kỹ thuật diagonalization đồng thời. Không giống như các phương pháp LDA khác [47], các DLDA đồng thời diagonalizes ma trận tán xạ giữa lớp học đầu tiên và sau đó diagonalizes ma trận tán xạ bên trong lớp. Các vector riêng với rất nhỏ (gần bằng không) giá trị riêng trong SB có thể bị loại bỏ vì chúng không chứa các điện iscriminative, trong khi các vector riêng với giá trị riêng của ma trận nhỏ SW đồng thời được lưu giữ, đặc biệt là vô giá trị và không gian. Một biến thể LDA được gọi là Gram-Schmidt LDA (GSLDA) [82] phương pháp tránh tính nghịch đảo của ma trận tán xạ bên trong lớp hoặc thực hiện các bước cần thiết trong diagonalization DLDA. Những phương pháp này khẳng định rằng sức mạnh phân biệt nhất cho LDA có thể nằm trong các null-không gian của các ma trận tán xạ trong đó tối đa hóa tỷ lệ của Fisher.