关于Müller冷度理论的几点注记

<正> 1.引言自六十年代初Coleman-Noll 的开创性工作以来,连续介质热力学蓬勃发展,其中一项重要进展就是冷度(coldness,中译见文,郭仲衡译)概念的引入.西德学者I.Müller 首先提出,人们通常广泛采用(包括Coleman-Noll 的工作)的经典熵流表达式(?)=(?)/T(θ) (1)其中(?)为热流向量,θ为经验温度,T(θ)为绝对温度,可能只适用于热静力学或最简单物质.在热动力学情形,对更一般的介质,熵流(?)应设为待定本构量,因而应当与其他本构函数一样由本构限制(特别是熵不等式)来导出其可能的形式,而没有任何特殊理由先验地

改进的统计不相关最优鉴别矢量集

该文对统计不相关最优鉴别矢量集算法进行研究,在分析统计不相关最优鉴别矢量集算法的基础上提出了一种改进的方法。该方法在类内散布矩阵的特征空间中求解统计不相关最优鉴别矢量集。为了加快特征抽取速度,利用基于图像鉴别分析的维数压缩方法,对图像数据进行了压缩。在ORL和Yale人脸数据库的数值实验,验证本文所提出的方法的有效性。

广义统计不相关最优鉴别矢量集的一个理论结果

本文对统计不相关最优鉴别矢量集的理论问题进行研究 ,提出了广义统计不相关最优鉴别准则 ,并给出了广义统计不相关最佳鉴别矢量集的一个理论结果 ,研究表明 ,广义统计不相关最佳鉴别矢量集的计算公式与基于Fisher最优鉴别准则的统计不相关最佳鉴别矢量集的计算公式完全一样 ,但是以前这一点没有被认识到 .本文的研究丰富了统计不相关最优鉴别分析的特征抽取理论 .

统计不相关最佳鉴别矢量集的本质研究

对统计不相关最佳鉴别矢量集的本质进行研究 ,在基于总体散布矩阵特征分解的基础上 ,构造了一种白化变换 ,使得变换后的样本空间中的总体散布矩阵为单位矩阵 ,这样使得传统的最佳鉴别矢量集算法得到的均是具有统计不相关的最佳鉴别矢量集 ,从而揭示了统计不相关最佳鉴别变换的本质———白化变换加普通的线性鉴别变换。该方法的最大优点在于所获得的最优鉴别矢量同时具有正交性和统计不相关性。该方法对代数特征抽取具有普遍适用性。用ORL人脸数据库的数值实验 ,验证了该方法的有效性