有监督的局部保留投影降维算法

针对局部保留投影(LPP)的非监督本质,提出一种称为有监督的局部保留算法(SLPP)的线性降维方法,它同时考虑类间分离性以及 LPP 中的局部保留特性.实验结果表明 SLPP 算法较其他算法优越.线性的 SLPP 算法还可通过使用核方法扩展到非线性的情况.

广义的监督局部保留投影算法

针对监督的局部保留投影算法(Supervised Locality Preserving Projection,SLPP)在小样本情况下矩阵的奇异性问题,该文提出了一种广义的监督局部保留投影算法(Generalized Supervised Locality Preserving Projection,GSLPP)。GSLPP在大样本情况下等价于SLPP,在小样本情况下却可以等价转换到一个低维空间中来求解,从而有效解决了小样本问题。最后,实验结果验证了该方法的有效性。

快速核有监督局部保留投影算法

为了提取样本中的非线性模式,保持其中的流形结构以及减少投影时间,该文提出了一种快速核有监督局部保留投影算法。该算法使用有监督聚类选择法选取训练集的一个子集进行子集核主成分分析,然后在子集核主成分分析形成的子空间中进行有监督局部保留投影。实验结果表明:相对于有监督局部保留投影算法以及现有的几种流行特征提取方法,新算法能够取得更高的识别率;相对于现有的核投影算法,新算法的投影速度更快。在有些数据集上,只要普通核投影十分之一左右的时间,就能达到相同甚至更高的识别率。

基于局部保留投影的稀疏中智聚类算法

聚类算法是机器学习领域重要的研究课题之一,传统的中智聚类算法(例如FC-PFS算法)未考虑局部空间结构,且距离的计算受到冗余特征影响,不能有效处理高维数据集。为此,提出一种新的基于局部保留投影的稀疏中智聚类算法(LPSNCM)及其优化方法。一方面LPSNCM算法通过局部保留投影方法生成具有局部结构信息的正交投影空间,另一方面通过特征提取方法可以减少特征数量以获得更有效的特征,从而增强了FC-PFS算法处理高维数据的能力。LPSNCM算法也可以被看作是谱聚类两个独立阶段的统一模型。在一些基准数据集上的实验结果表明,与FC-PFS和某些最新方法相比,证明了LPSNCM的有效性。

有监督正交局部保留投影及其在人脸识别中的应用

针对局部保留投影算法(LPP)的无监督和非正交问题,提出了一种有监督的正交局部保留投影算法SOLPP。该算法同时考虑了样本的类别信息以及投影向量间的相互正交性,首先利用样本的类标签信息重新定义了类内和类间相似度矩阵,同时最大化类间离散度与类内离散度之比,有效地保持了样本的局部结构;其次对投影基向量进行正交化,在保持数据空间结构的同时进一步提高了人脸识别效果。在ORL和FERET人脸库上的实验表明,该方法的识别率要优于SLPP等算法。

基于全局局部保留投影与测地距离的气化炉故障检测方法

高温、高压、强腐蚀工作环境下的气化炉易发生仪表测量故障,进而影响煤制油、煤制甲醇等生产工艺,甚至危及人员安全。针对上述问题,提出了一种基于全局局部保留投影(global-local preserving projection,GLPP)算法与测地距离的气化炉故障检测方法。首先,采用GLPP算法提取样本邻域确定的数据局部特征;然后,提出一种基于测地距离度量样本的非近邻关系的数据全局特征提取方法;进一步,利用提取的全局特征构建相应的统计量来进行故障检测。最后,分别通过田纳西伊斯曼(Tennessee Eastman,TE)与真实气化炉2个案例验证所提出方法的有效性和可行性。

基于改进半监督局部保持投影算法的故障诊断

为解决在少量标记样本的条件下故障诊断困难的问题,提出一种基于改进半监督局部保持投影(ISS-LPP)的故障诊断方法。ISS-LPP算法利用部分标记样本的标签信息调整原始特征空间中样本间的权值矩阵,并根据所有样本在特征空间的分布情况自适应的调整邻域参数,寻找数据的低维本质流形,得到原始特征空间样本数据的低维特征向量和投影转换矩阵。以得到的低维特征向量为输入,建立分类器,识别和判断故障类型。将ISS-LPP算法应用于滚动轴承的故障诊断。实验结果表明:该方法能够在标记样本较少时,提高轴承的故障诊断精度。

基于局部保持投影和稀疏表示的无监督特征选择方法

传统基于过滤的特征选择方法仅从统计或几何角度分别对数据集的每个特征计算某种得分选择特征,而忽略不同特征之间存在的联系.为解决该问题,利用局部保持投影和稀疏表示的优点,提出新的无监督特征选择算法.该方法通过限制特征权重的非负性和稀疏性选择特征.在4个基因表达数据集和2个图像数据集上的实验表明该方法是有效的.

基于半监督局部保持投影的磨粒图像特征降维

为有效提取磨粒图像的数字化特征,引入局部保持投影算法。针对局部保持投影在磨粒特征降维中的不足,提出一种基于Parzen窗和成对约束的半监督局部保持投影算法(PSS-LPP)。利用Parzen窗估计高维特征空间中样本的密度,然后根据各样本密度自适应调整邻域参数,并且充分利用样本的标签信息和实例约束生成成对约束集,进而指导投影权矩阵的构造,从而实现特征参数的半监督降维。将PSS-LPP应用于磨粒图像的纹理特征降维,研究结果表明:PSS-LPP对邻域参数初值和热核参数不敏感,降维性能比较稳定,磨粒识别精度明显提高。PSS-LPP可以更有效提取磨粒图像的低维特征。

基于监督判别局部保持投影的表情识别算法

LPP算法是无监督算法,并没有考虑到不同类别的样本对分类效果的影响,结果会造成不同类数据点的重叠,故所获得的子空间对于分类问题来说未必是最优的。提出一种新的基于监督判别局部保持投影(SDLPP)的表情识别算法。利用样本的类别信息重新构造LPP算法中的相似矩阵,然后在目标函数中增加类间散度约束,这样就会在保持样本点局部结构的同时,使不同类的样本点相互远离,从而得到更具有判别性的表情特征。该算法在识别率上比其他方法都有较大提高,通过在JAFFE表情库上的实验验证了其有效性。

一种监督局部保持投影的飞机目标识别方法

飞机目标识别方法研究在军事上具有重要意义。针对飞机目标图像数据的复杂性,提出了基于监督局部保持投影(SLPP)算法的一种目标识别方法。首先,利用PCA对飞机图像数据进行预降维,由此克服小样本问题;其次利用SLPP算法对飞机图像进行维数约简;最后,采用最近邻分类器进行飞机类型分类。通过在真实飞机图像数据库上的实验结果表明,该方法有效地提高了飞机识别的正确率。利用该方法能够有效地进行飞机目标识别。

基于图像优化局部保留投影的人脸表情识别

提出了一种基于图像优化局部保留投影的人脸表情识别方法。该算法在降维过程中将图像结构信息融入到LPP目标函数中,称之为GOLPP。与LPP不同,GOLPP通过降维处理,获得图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更具判决性的表情信息。基于JAFFE和CED-WYU(1.0)两个表情数据库的识别结果表明,基于GOLPP的特征提取方法能有效地提高识别率。

基于最大分离度差的有监督核局部保持投影

为有效避免有监督局部保持投影算法在小样本情况下导致类内分离度矩阵奇异的问题,提出一种基于最大分离度差的有监督局部保持投影算法。提出类内分离度和类间分离度的概念,以类内分离度矩阵和类间分离度矩阵为基础构造基于差模式的鉴别准则,并将该算法推广到非线性情况下,提出基于最大分离度差的有监督核局部保持投影算法。Yale、ORL和CAS-PEAL-R1-POSE人脸库上的实验结果表明所提方法是有效的。

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED-WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。

代价敏感学习的稀疏局部保留投影算法

针对已有的局部保留投影(locality preserving projections,LPP)算法可能将相似的类别误投影到一起,导致正确识别率降低的问题.在局部保留投影算法的基础上,提出了一种基于代价敏感学习的稀疏局部保留投影算法(cost-sensitive sparse locality preserving projections,CSLPP).该算法将代价敏感学习引入到人脸识别中,首先对样本进行代价敏感思考,然后再将样本稀疏化,最后求得最优投影向量.通过在YALE人脸库和FERET人脸库上实验,结果表明CSLPP算法在投影之前将代价考虑进去,有效的避免了高风险,该算法在最近邻分类器上的的识别率明显高出其它算法的识别率.

一种基于核局部保留投影的人脸识别方法

为了有效提取人脸的非线性结构信息,提出一种新的基于最大散度差的核判别局部保留投影方法.首先通过核函数将样本数据映射到高维特征空间,计算特征空间中样本的散度矩阵,其次将样本原始空间中的近邻图嵌入到散度矩阵,最后采用最大散度差准则进行特征提取.在PIE与Yale人脸数据库上的实验结果表明,提出的人脸识别方法最高识别率可达到99%.

图像局部保留投影及在表情识别中的应用

提出了一种基于图像局部保留投影(ILPP)的人脸表情识别方法,该算法在降维过程中将图像结构信息融入到局部保留投影(LPP)目标函数中。与LPP不同,ILPP通过降维处理,获得表情图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更多、更有效、更具判决性的表情特征信息。基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明,ILPP特征提取方法能有效地提高识别率。

基于监督的局部保存投影的人脸识别

人脸识别是计算机视觉的一个重要分支,而且它可以被应用到许多领域。维数约减对人脸识别来说是十分重要的,不仅可以去除一些不必要的噪声,还可以有效地减少计算复杂度。传统的局部保存投影(LPP)算法仅仅考虑了样本点的局部邻居信息,并没有考虑到不同类别的样本对分类效果的影响,结果会造成不同类数据点的重叠。为减少计算的复杂度,在局部保存投影算法的基础上引入样本的类别信息,构造了监督的局部保存投影算法(SLPP)。通过人脸识别仿真实验,验证了新算法的有效性与健壮性,并改变上述的不足。

基于类别信息的监督局部保持投影方法

局部保持投影算法(LPP)是拉普拉斯映射(LE)的线性近似,但LPP作为一种无监督方法,并没有有效利用已有的类别信息提高分类效率。为此提出一种基于类别信息的监督局部保持投影方法(SLPP-LI)。在学习投影矩阵时,SLPP-LI综合利用了流形的几何结构和已有训练点的类别信息,通过调整控制参数的取值,有效地利用已知的低维信息,并且直接求解线性方程获得高维数据的低维模型。通过在多个人脸数据库和手写数字库上的对比实验,表明了SLPP-LI对于高维数据的初始维数以及训练数据的数目并不敏感,与主分量分析法(PCA)、LPP、正交LPP(OLPP)、有监督的LPP(SLPP)相比,均具有较高的识别率,充分说明SLPP-LI算法能够有效处理分类问题。

基于非线性动态全局局部保留投影算法的化工过程故障检测

传统基于核映射的非线性故障检测方法的性能受核函数类型和核参数的调优影响较大,且实际工业环境中对过程变量的非线性阶数存在很多物理限制。针对这一问题,提出一种非线性动态全局局部保留投影(nonlinear dynamic global-local preserving projections,NDGLPP)的故障检测算法。该方法首先使用动态全局局部保留投影算法对数据矩阵进行降维;然后对降维后的矩阵建立二阶多项式映射提取非线性空间的相关特性;接着通过迭代这两个步骤以获得高阶非线性映射;最后,将所提方法应用于乙烯精馏过程和Tennessee Eastman(TE)过程仿真中,验证了检测方法的有效性和可行性。