×
侯雪松;麦青;邹慧

张量混合判别分析及其在传感器阵列数据分析中的应用。 （英语） Zbl 07832662号

附录申请。斯达。 18，第1号，626-641（2024）.
概述：传感器阵列通常用于通过测量正确选择的化学相互作用来识别化学品。机器学习技术对于基于传感器阵列测量值准确识别化学品至关重要。然而，传感器阵列数据通常采用矩阵形式（即双向张量），浓度水平可能会对测量产生复杂影响。因此，现有的线性和/或矢量分类方法可能不足以用于传感器阵列数据。在本文中，我们提出了一种新的张量混合判别分析（TMDA）模型，该模型针对传感器阵列数据的分类进行了精心定制。我们用张量正态分布的混合物来模拟每种化学物质的分布。TMDA利用张量结构进行更好的估计和预测，而混合张量正态分量解释了可能变化的浓度水平。TMDA模型也可以被视为潜在非正态测量的近似值。开发了一种有效的期望最大化算法来拟合TMDA模型。TMDA在两个传感器阵列数据集上的应用表明其优于许多流行的竞争对手。

MSC公司：

62件 统计学的应用

关键词：

传感器阵列;张量数据分类;张量正规混合
PDF格式BibTeX公司 XML格式引用
\textit{X.Hou}等人，Ann.Appl。Stat.18，No.1，626--641（2024；Zbl 07832662）
全文： 内政部

参考文献：

[1] BOSER，B.E.，GUYON，I.M.和VAPNIK，V.N.（1992年）。一种最优边缘分类器的训练算法。第五届计算学习理论年度研讨会论文集。92年版144-152。美国纽约计算机械协会数字对象标识符：10.1145/130385.130401谷歌学者：查找链接·doi:10.145/130385.130401
[2] Breiman，L.（2001）。随机森林。机器。学习。45 5-32. 数学科学网：MR3874153·Zbl 1007.68152号
[3] 蔡斌、张杰和孙文伟（2021）。高维非均匀张量混合模型。
[4] Clemmensen，L.、Hastie，T.、Witten，D.和ErsbØll，B.（2011）。稀疏判别分析。技术计量学53 406-413. 数学科学网：MR2850472
[5] Dempster，A.P.、Laird，N.M.和Rubin，D.B.（1977年）。通过EM算法从不完整数据中获得最大似然。J.罗伊。统计师。Soc.序列号。B 39 1-38。经过讨论。数学科学网：MR0501537·Zbl 0364.62022号
[6] FRIEDMAN，J.H.、HASTIE，T.和TIBSHIRANI，R.（2010）。广义线性模型通过坐标下降的正则化路径。J.统计软件。33 1-22. 数字对象标识符：10.18637/jss.v033.i01谷歌学者：查找链接·doi:10.18637/jss.v033.i01
[7] GUPTA，A.K.和NAGAR，D.K.（2000）。矩阵变量分布。查普曼和霍尔/CRC纯数学和应用数学专著和调查104。CRC出版社/CRC，佛罗里达州博卡拉顿，MathSciNet:MR1738933·Zbl 0935.62064号
[8] HASTIE，T.和TIBSHIRANI，R.（1996年）。高斯混合判别分析。J.罗伊。统计师。Soc.序列号。乙58 155-176。数学科学网：MR1379236·Zbl 0850.62476号
[9] Hastie，T.、Tibshirani，R.和Friedman，J.（2009）。《统计学习的要素：数据挖掘、推断和预测》，第二版，《统计学中的斯普林格系列》。纽约州施普林格。数字对象标识符：10.1007/978-0-387-84858-7谷歌学者：查找链接数学科学网：MR2722294·Zbl 1273.62005年 ·doi:10.1007/978-0-387-84858-7
[10] HOFF，P.D.（2011）。通过塔克产品的可分离协方差数组，应用于多元关系数据。贝叶斯分析。6 179-196. 数字对象标识符：10.1214/11-BA606谷歌学者：查找链接数学科学网：MR2806238·Zbl 1330.62132号 ·doi:10.1214/11-BA606
[11] HOU，X.，MAI，Q.和ZOU，H.（2024）。补充“张量混合判别分析在传感器阵列数据分析中的应用”https://doi.org/10.1214/23-AOAS1804SUPP（网址：https://doi.org/10.1214/23-AOAS1804SUPP）
[12] Kolda，T.G.和Bader，B.W.（2009年）。张量分解及其应用。SIAM版本51 455-500。数字对象标识符：10.1137/07070111X谷歌学者：查找链接数学科学网：MR2535056·Zbl 1173.65029号 ·doi:10.1137/07070111X
[13] KONG，H.、TEOH，E.K.、WANG，J.G.和VENKATESWARLU，R.（2005）。二维Fisher判别分析：忘掉小样本问题[人脸识别应用]。在诉讼（ICASSP’05）。IEEE声学、语音和信号处理国际会议2 ii/761 ii/764。数字对象标识符：10.1109/ICASSP.2005.1415516谷歌学者：查找链接·doi:10.1109/ICASSP.2005.1415516
[14] 赖政、徐勇、杨杰、唐杰和张德（2013）。稀疏张量判别分析。IEEE传输。图像处理。22 3904-3915. 数字对象标识符：10.1109/TIP.2013.2264678谷歌学者：查找链接数学科学网：MR3105150·Zbl 1373.94218号 ·doi:10.1109/TIP.2013.2264678
[15] LI，Q.和SCHONFELD，D.（2014）。用于高阶张量数据分类的多线性判别分析。IEEE传输。模式分析。机器。智力。36 2524-2537. 数字对象标识符：10.1109/TPAMI.2014.2342214谷歌学者：查找链接·doi:10.1109/TPAMI.2014.2342214
[16] 李旭、徐丹和周慧（2018）。塔克张量回归和神经影像分析。Stat.Biosci公司。10 520-545.
[17] LYU，X.、SUN，W.W.、WANG，Z.、LIU，H.、YANG，J.和CHENG，G.（2019年）。张量图形模型：非凸优化和统计推断。IEEE传输。模式分析。机器。智力。42 2024-2037.
[18] MAI，Q.、ZHANG，X.、PAN，Y.和DENG，K.（2022）。用于基于模型的张量聚类的双重增强EM算法。J.Amer。统计师。协会117 2120-2134。数字对象标识符：10.1080/01621459.2021.1904959谷歌学者：查找链接数学科学网：MR4528493·Zbl 1515.62065号 ·doi:10.1080/01621459.2021.1904959
[19] MIN，K.，MAI，Q.和ZHANG，X.（2022）。高维张量高斯图形模型中的快速可分离估计。J.计算。图表。统计师。31 294-300. 数字对象标识符：10.1080/10618600.2021.1938086谷歌学者：查找链接数学科学网：MR4387228·兹伯利07546477 ·doi:10.1080/10618600.2021.1938086
[20] 莫尔斯塔德·A·J和罗特曼·A·J.（2019）。矩阵值预测分类的惩罚似然方法。J.计算。图表。统计师。28 11-22. 数字对象标识符：10.1080/10618600.2018.1476249谷歌学者：查找链接数学科学网：MR3939368·Zbl 07499008号 ·doi:10.1080/10618600218.1476249
[21] PAN，Y.、MAI，Q.和ZHANG，X.（2019）。高维协变量调整张量分类。J.Amer。统计师。协会114 1305-1319。数字对象标识符：10.1080/01621459.2018.1497500谷歌学者：查找链接数学科学网：MR4011781·Zbl 1428.62291号 ·doi:10.1080/01621459.2018.1497500
[22] PERSAUD，K.和DODD，G.（1982年）。使用模型鼻子分析哺乳动物嗅觉系统的辨别机制。自然299 352-355. 数字对象标识符：10.1038/299352a0谷歌学者：查找链接·doi:10.1038/299352a0
[23] SUSLICK，K.、BAILEY，D.、INGISON，C.、JANZEN，M.、KOSAL，M.，MCNAMARA，W.、RAKOW，N.、SEN，A.和WEAVER，J.（2007年）。嗅觉：光电鼻的发展。奎姆。新星30 677-681。数字对象标识符：10.1590/S0100-404220070030029谷歌学者：查找链接·doi:10.1590/S0100-4042200700300029
[24] 陶东、李小霞和吴小霞（2007）。步态识别的广义张量判别分析和Gabor特征。IEEE传输。模式分析。机器。智力。29 1700-1715. 数字对象标识符：10.1109/TPAMI.2007.1096谷歌学者：查找链接·doi:10.1109/TPAMI.2007.1096
[25] VERGARA，A.、VEMBU，S.、AYHAN，T.、RYAN，M.A.、HOMER，M.L.和HUERTA，R.（2012）。使用分类器集成的化学气体传感器漂移补偿。化学传感器执行器B。166-167 320-329. 数字对象标识符：10.1016/j.snb.2012.01.074谷歌学者：查找链接·doi:10.1016/j.snb.2012.01.074
[26] WITTEN，D.M.和TIBSHIRANI，R.（2011年）。使用Fisher线性判别法进行惩罚分类。J.R.统计社会服务。B.统计方法。73 753-772. 数字对象标识符：10.1111/j.1467-9868.2011.00783.x谷歌学者：查找链接MathSciNet:MR2867457·Zbl 1228.62079号 ·doi:10.1111/j.1467-9868.2011.00783.x
[27] YAN，S.、XU，D.、YANG，Q.、ZHANG，L.和TANG，X.（2005）。张量表示的判别分析。2005年IEEE计算机学会计算机视觉和模式识别会议(CVPR公司05）1 526-532。数字对象标识符：10.1109/CVPR.2005.131谷歌学者：查找链接·doi:10.1109/CVPR.2005.131
[28] 张亚荣、罗亚荣、拉斯库蒂、G.和袁明（2020）。ISLET：通过重要性草图快速优化低阶张量回归。SIAM J.数学。数据科学。2 444-479. 数字对象标识符：10.1137/19M126476X谷歌学者：查找链接数学科学网：MR4106613·Zbl 1484.65095号 ·doi:10.1137/19M126476X
[29] ZHONG，W.和SUSLICK，K.S.（2015）。矩阵判别分析及其在比色传感器阵列数据中的应用。技术计量学57 524-534. 数字对象标识符：10.1080/00401706.2014.965347谷歌学者：查找链接数学科学网：MR3425489·doi:10.1080/00401706.2014.965347
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。