Functional Linear Discriminant Analysis for Irregularly Sampled Curves
不规则采样曲线的函数型线性判别分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及一般函数型分类，曲线数据本身不足以归入时间序列或收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
不规则采样曲线的函数型线性判别分析
- 研究问题
- 当预测变量是曲线或函数，且只能观察曲线片段时，如何扩展经典线性判别分析，实现新曲线分类、判别函数估计与可视化？
- 方法与思路
- 作者提出函数型线性判别分析，将经典判别分析的相关技术扩展至曲线数据，并进一步推广至二次和正则化判别分析。
- 材料陈述的贡献
- 摘要称，该方法尤其适用于只观察曲线片段的情形，可分类新曲线、估计类别间判别函数并生成一维或二维图示。
- 阅读关注点
- 应核对片段曲线如何表示和估计、采样或缺失机制要求，以及分类、降维展示和正则化扩展各自所需的模型条件。
- 阅读边界
- 仅据Crossref摘要，不能推断后续刊本变化；摘要未给出算法细节、误分类率或比较结果，不足以判断实际分类性能。
原文摘要
Summary We introduce a technique for extending the classical method of linear discriminant analysis (LDA) to data sets where the predictor variables are curves or functions. This procedure, which we call functional linear discriminant analysis (FLDA), is particularly useful when only fragments of the curves are observed. All the techniques associated with LDA can be extended for use with FLDA. In particular FLDA can be used to produce classifications on new (test) curves, give an estimate of the discriminant function between classes and provide a one- or two-dimensional pictorial representation of a set of curves. We also extend this procedure to provide generalizations of quadratic and regularized discriminant analysis.