.png){kind=icon}
返回
Nonparametric Linear Discriminant Analysis for High Dimensional Matrix-Valued Data
.png){kind=icon}
PRE
AI
DOI：10.1002/sam.70060.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对矩阵值数据的分类问题，该问题在神经影像学和信号处理等应用中普遍存在。基于数据来自每类均服从矩阵正态分布的假设，我们提出了一种适用于矩阵观测值的费希尔线性判别分析（LDA）的新扩展。为有效捕捉结构信息并保持估计的灵活性，我们采用基于非参数最大似然估计（NPMLE）的非参数经验贝叶斯框架，应用于向量化并缩放的矩阵。NPMLE方法已被证明能为具有均值向量或协方差矩阵中各种结构的多维数据提供稳健、灵活且准确的估计。通过利用其优势，我们的方法有效地推广至矩阵设置，从而提升分类性能。通过广泛的模拟研究和真实数据应用（包括脑电图（EEG）和磁共振成像（MRI）分析），我们证明了所提出的方法在多种数据结构下通常优于现有方法。
Keyword:
empirical Bayes
Fisher's Linear Discriminant Analysis
matrix normal distribution
matrix valued data
nonparametric maximum likelihood estimation
期刊
S
IF:
3.6
论文数:
33
被引数:
0
机构
引用论文
Sufficient Dimension Reduction via Random-Partitions for the Large-p-Small-n Problem通过随机划分实现大p小n问题下的充分维数约简.png)
Biometrics
OAAI
BiometricsIF0
OAAI分享收藏
查看更多内容