基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影(UDP)的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。

监督式正交迹比判别投影在图像集人脸识别中的应用

研究、分析了人脸识别中提取原始数据特征的已有方法,在此基础上给出了一种应用监督式正交迹比判别投影(SOTRDP)的新型特征提取方法,即SOTRDP方法。不同于现有的非监督判别投影(UDP)方法,SOTRDP方法能够同时利用局部信息和类别信息建立相似性矩阵。在利用改进局部切空间对齐(ILTSA)非线性降维的基础上,利用聚类中心或最靠近它的样本作为输入,拓展SOTRDP用于图像集人脸识别。在PIE和Honda/UCSD人脸数据库上的实验结果验证了所提方法的有效性。

人脸识别中适合于小样本情况下的监督化拉普拉斯判别分析

提取有效特征对高维数据的模式分类起着关键的作用.无监督判别投影,通过最大化非局部散度和局部散度之比,在数据降维和特征提取上表现出较好的性能,但是它是一种非监督学习算法,并且存在小样本问题.针对这些问题,提出了监督化拉普拉斯判别分析,算法在考虑非局部散度和局部散度时考虑了样本的类别信息;通过丢弃总体拉普拉斯散度矩阵的零空间,并将类内拉普拉斯散度矩阵投影到总体拉普拉斯散度矩阵的主空间中,然后在该空间中进行特征问题的求解,从而避免了小样本问题.通过理论分析,该算法没有任何判别信息损失,同时在计算上效率也较高.在人脸识别上的实验验证了算法的正确性和有效性.

一种半监督流形学习的人脸识别方法

针对传统线性降维方法忽略数据局部结构特性的问题,提出了一种基于半监督流形学习的方法。针对人脸识别采用图像欧式距离来选择各样本点的K近邻,由此得到修改后无监督判别投影中的邻接矩阵,在传统的无监督判别投影中,融入类标签信息获得几何最优投影。通过在人脸库上的大量比较实验,验证了该方法的准确性和有效性。

基于极小准则的完备正交判别局部保持算法

以无监督判别投影算法为理论基础,提出了一种基于极小准则的完备正交判别局部保持投影算法。算法首先根据同类样本的空间信息重新定义了类内局部保持散度矩阵与类间局部保持散度矩阵,然后借鉴无监督判别投影算法的目标函数,推导出一个基于极小准则的目标函数,该目标函数通过投影到总体散度矩阵的非零空间中有效地解决小样本问题,最后给出了该算法基于QR分解的正交投影矩阵的求解方法。人脸库上的实验结果表明了所提方法的有效性。

基于朴素贝叶斯的属性混合大数据分类提取

与一般数据类型不同,属性混合大数据在分类提取过程中易受边缘数据的干扰,存在分类提取误差较大和抗噪能力不佳的问题,于是提出基于朴素贝叶斯算法的属性混合大数据分类提取方法。采用离散小波变换法消除大数据中存在的噪声,避免分类提取过程受到噪声干扰。通过监督判别投影法对大数据实行降维处理,将预处理后的属性混合大数据输入到朴素贝叶斯分类器中,通过先验知识与后验概率的结合,完成属性混合大数据的分类提取。实验结果表明,所提方法的运算耗时短、分类提取误差小、抗噪声能力强,验证了所提方法的应用效果。

基于感知哈希的能源数据安全访问控制方法研究

作为保证能源数据安全的重要步骤,访问控制过程易受数据差异性、不均衡性、冗余性等问题的干扰,导致安全访问控制时间增加、交互成功率下降以及计算开销增加。为了有效解决这一问题,提出基于感知哈希的能源数据安全访问控制方法。采用监督判别投影算法对能源数据做降维处理,以降低信息之间的冗余性。利用感知哈希算法,得到分布式存储数据。结合二元一次函数诱导算法,在分布式存储数据中生成密钥。通过内层加密与外层加密相结合的控制策略,实现数据授权访问的动态变化,完成能源数据的安全访问控制。试验结果表明,该方法的能源数据安全访问控制时间短、交互成功率高、计算开销小。该方法可为能源数据安全领域的进一步发展提供重要参考。

分类先验特征选择算法在代谢组学数据变量筛选中的应用

该文提出了基于无监督判别投影特征选择的支持向量机方法(UDPFS-SVM)用于标志物筛选。UDPFS-SVM首先通过无监督判别投影算法(UDPFS)引入分类先验信息、添加正则化与惩罚函数等约束自适应地获得具有稀疏性的判别投影矩阵,然后根据获得的矩阵求得相应低维代谢矩阵,最后建立支持向量机(SVM)分类模型寻找生物标志物。所提出的方法能够同时进行模糊学习与稀疏学习,并可合理利用变量之间的依赖关系。通过UDPFS-SVM与偏最小二乘判别分析(PLS-DA)方法对高脂血症大鼠血浆代谢组学数据进行变量筛选,并采用方差分析、ROC曲线、线性判别分析(LDA)对筛选得到的生物标志物进行评价。结果表明,两种方法均发现8个生物标志物。方差分析显示UDPFS-SVM方法获得的生物标志物均具有显著性差异,且显著性差异值均大于PLS-DA;ROC结果显示UDPFS-SVM结果为1.00,比PLS-DA结果高0.05;LDA显示UDPFS-SVM获得的生物标志物在高脂血症样本中可以更好地消除组内代谢差异,区分组间代谢差异,说明UDPFS-SVM方法在高脂血症生物标志物发现上优于PLS-DA,为生物标志物的发现提供了一种新思路。

无线传感器网络中的优先级数据转发攻击检测方法

优先级队列是一种先进先出的数据结构,在优先级数据转发过程中,一旦其遭受攻击,整个队列中的数据将都会受到影响。为保证无线传感网络中优先级数据转发的安全性,提出一种优先级数据转发攻击检测方法。首先采用监督判别算法对传感网络中的优先级数据做降维处理;其次采用主成分分析法提取优先级网络数据中的特征;最后将提取的特征输入到构建的攻击检测模型中,通过设立的攻击检测阈值判定被攻击的数据,完成无线传感器网络中的优先级数据转发攻击检测。仿真结果显示:所提方法的数据包传输率为0.95 bit/s,网络吞吐量均高于90,路由开销小于19,能量消耗约500 J,攻击检测误报率低于4.76%。因此所提方法具有较好的优先级数据转发效果,能准确检测攻击。

能耗均衡约束下的多源异质传感器数据动态汇聚算法

多源异质传感器数据在无线传感网络中汇聚时,易受到无线传感网络冗余数据的干扰,导致其通信开销大、精度低。为此,提出能耗均衡约束下多源异质传感器数据动态汇聚算法。构建能耗均衡约束模型,保证多源异质数据节点在汇聚过程中所消耗的能量趋于平均值,采用监督判别投影算法对数据进行降维处理,消除数据中的冗余度,通过模糊分簇阈值筛选机制获取汇聚区域的簇头阈值,将簇区域内数据汇聚到传感器中,完成多源异质传感器数据的动态汇聚。仿真结果表明,所提算法的隐私泄露率在25%左右,通信开销在9 MB~46 MB之间,汇聚数据正确率高于90%,证明所提算法可有效降低通信开销,提高数据汇聚精度。

基于仿生学的不相关局部保持鉴别分析

由于形象思维方式是人类的一种本质思维方式,人类通过各种感官来认知事物的规律性,进而提取出具有代表性的特征,因此通过形象思维的方法来提取事物的本质特征符合人类认知事物的规律.针对人脸识别中特征提取问题,该算法以形象认知规律与无监督判别投影为理论基础,提出了一种仿生不相关空间局部保持鉴别分析(biomimetic uncorrelated locality preserving discriminant analysis,BULPDA)算法.算法首先根据人类形象认知的特性构建了一种新的相似系数表示方法;然后结合不相关空间概念,确保矢量空间具有不相关性;最后给出了基于奇异值分解的矢量空间求解方法,形成了一种特征提取新思路.在标准数据库上的实验结果表明,新算法优于传统的特征提取方法和其他改进的局部保持投影方法.

基于UDP的特征提取算法研究

局部保持投影(LPP)算法在特征提取时仅考虑了对数据的局部信息的保持,鉴于此,本文提出无监督判别投影(UDP)算法。UDP算法通过定义局部和非局部散布度,建立一个类似Fisher的判别准则,最大化非局部散布度与局部散布度的比,选择出判别性最强的投影方向对目标数据信息进行特征提取,进而完成对目标的分类识别。实验结果证实了UDP算法的可行性。

基于组稀疏的参数自适应学习UDP算法

传统UDP算法的参数选择是一个经典问题,至今仍没有一种有效的方法从根本上解决这个问题。针对复杂的参数选择,提出一种基于组稀疏的参数自适应学习UDP算法(SUDP)。使用组稀疏来描述样本点的几何结构,自适应地构造样本点的近邻图,避免传统UDP算法中使用K-NN算法带来的弊端。由于稀疏表示带有天然判别信息的优势,SUDP算法比传统的UDP算法有着更强的判别能力。在6个广泛使用的人脸数据集上进行的实验,实验结果表明了SUDP算法的有效性和稳定性。

基于2DUGDP的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维非监督测地线判别投影(2D unsupervised geodesic discriminant projection,2DUGDP)方法.该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像的差异及戴不同眼镜人脸图像的差异,提取判别特征用于识别.该特征考虑局部特征的同时考虑非局部特征,寻找一种最优投影在最大化非局部散度矩阵的同时最小化局部散度矩阵,使得距离近的数据投影后仍然近,距离远的数据投影后仍然远.考虑到人脸是非线性的流形结构,文中采用测地线距离表示样本间的差异.在FERET人脸库和CAS-PEAL人脸库上分别进行了实验,实验结果表明,该方法相比较其他方法更能提高戴眼镜人脸的识别率.