人脸识别经典算法，包含数据和matlab代码

【手写数字识别】基于Fisher分类实现手写数字识别附matlab代码

MFA: Marginal Fisher Analysis

Fisher's linear discriminant

Fisher 精确检验是一种统计检验，用于确定两个分类变量之间是否存在非随机关联 [1]。 使用 2 x 2 或 2x 3 列联表进行 Fisher 精确检验的工作已被其他人轻松完成。 但是，nxm 列联表尚未找到，或者计算错误。 该函数有效地处理了使用 nxm 列联表的 Fisher 精确检验。 至于功能： [ Sig,PValue,ContigenMatrix ] = FisherExactTest( XVector,YVector ) 输入：两个变量X，Y的数据作为XVector和YVector 或者您可以只输入列联表。 输出：如果 X 和 Y 关联，“Sig”返回 1，否则返回 0 "PValue" 返回计算出的 p 值“ContigenMatrix”返回 nxm 列联表请从“Controlcenter.m”开始，这里有两个简单的例子进行说明。 如果您打开算法，将说明算法的清晰描

电力系统随机潮流概率潮流计算MATLAB程序包含 蒙特卡洛模拟法、半不变量法＋级数展开（Gram-Charlie，Cornish-Fisher）； 考虑光伏不确定性（Beta分布），以IEEE34节点为例，计算节点电压、支路潮流概率密度、累计概率并绘制曲线。 有注释，附带参考文献，直观清晰。 电力系统随机潮流概率潮流计算MATLAB程序包含 蒙特卡洛模拟法、半不变量法＋级数展开（Gram-Charlie，Cornish-Fisher）； 考虑光伏不确定性（Beta分布），以IEEE34节点为例，计算节点电压、支路潮流概率密度、累计概率并绘制曲线。 有注释，附带参考文献，直观清晰。

使用Fisher线性判别（Fisher Linear Discriminant）,可以基本识别手写数字，内含教程示意图，和共7页的理论知识。适用于刚刚学习机器学习的小白，通俗易懂

针对滚动轴承故障诊断中普遍存在的小样本学习问题，采用支持向量机实现轴承故障的模式识别。为了解决时域统计参数对于轴承故障的多分类效果较差的问题，引入小波包分解（Wavelet packet decomposition，WPD）技术，提取振动信号各频带的能量系数构造特征向量，并采用Fisher比率法对特征向量进行优化选取；然后利用支持向量机（support vector machine，SVM）进行故障模式识别，并与小波包分解及时域统计参数的分类效果进行对比分析。结果表明：支持向量机是实现轴承故障模式识别的一

实验目的： 了解分类器设计的概念，理解基于Fisher准则进行线性分类的原理，通过实验对线性分类器有更深刻的认识。

实验数据：IRIS数据。分为三种类型，每种类型中包括50个四维的向量。 实验模型：假设IRIS数据是正态分布的。 实验准备：在每种类型中，选择45个向量作为训练样本，5个作为测试样本。 实验要求： 1. 使用fisher判别准则，从每个类别的4个特征中选取3个特征，分别针对其中的两种类别设计线性分类器，即设计第一类和第二类，第二类和第三类，第一类和第三类之间的分类面。 2. 并用测试样本计算分类器的性能。 3. 在确定w0时可以尝试使用不同的经验值，比较分类结果是否不同？ 　 或者 分类结果一致 4. 要求画出投影前的样本点，以及投影后的测试样本点、投影方向及分类面。