7.12学习笔记

讲座内容
应用数学科普·自动指纹识别（AFIS）中的优化模型和算法
生物特征识别：利用生物标识、特征的独特部位（指纹，脸，虹膜）和行为（语音、步态）自动识别
认证系统（1:1）与鉴定系统（1:N）
注册--》认证--》鉴定
信息采集--》特征提取--》模块创建--》筛选
普遍性、独特性、持久性、可收集性+性能、可欺骗性、适应性
并不是完全随机模式    高尔顿分类系统
指纹识别ATM机、指纹身份证
采集存储--》数据在表达--》分类--》匹配
采集：电容式、光学式、压感式  
 切割--》滤波--》灰度--》二值化--》细化--》探测细节点--》去伪存真
指纹压缩：灰度值矩阵（0-255）--》稀疏表示，编码压缩数据流--》峰值信噪比PSNR
稀疏表示是核心  WSQ压缩系统（小波变换）
JPEG（DCT变换） CT（countourlet transform）稀疏表示求解算法
一、DBSCAN算法（具有噪声的基于密度的聚类算法）
核心点、边界点、噪音点（Eps半径）
二、多元线性回归分析
目的：通过研究自变量X和因变量Y的相关关系，尝试去解释Y的形成机制，进
而达到通过X去预测Y的目的。
常见的回归分析有五类：线性回归、0‐1回归、定序回归、计数回归
和生存回归，其划分的依据是因变量Y的类型
识别重要变量--》判断相关性的方向-->估计权重（回归系数）。
横截面数据、时间序列数据、面板数据
1、一元线性回归
扰动项，遗漏变量会导致内生性
外生性：误差项与所有变量均不相关
保证核心解释变量与误差项无关
取对数的好处：
（1）减弱数据的异方差性
（2）如果变量本身不符合正态分布，取对数后可能渐近服从正态分布
（3）模型形式的需要，让模型具有经济学意义。
虚拟变量、多重共线性
为了避免完全多重共线性的影响，引入虚拟变量的个数一般是分类数减1。