基于等距特征映射的纺纱生产过程决策参数特征提取

纺纱生产中涉及的过程参数繁多,彼此相互关联且存在冗余,针对过程参数间相关性带来的质量指标难以精确预测与控制等问题,文中提出一种基于等距特征映射(Isometric Mapping,Isomap)的纺纱生产过程决策参数特征提取方法。首先,通过灰色关联分析计算过程参数与纱线质量指标间的灰色关联度,筛选出对产品质量指标影响较大的过程参数作为决策参数;然后,采用Isomap算法对决策参数进行特征提取降维,获得彼此独立的低维决策参数特征空间,将其输入到粒子群优化向量机模型(PSO-SVM)中验证所提出算法的特征提取效果;最后,通过算例进行验证,结果显示提出的方法可采用相较于原数据更少的特征空间维度获取更佳的预测效果。

局部测地距离估计的增量等距特征映射算法

基于经典等距特征映射(ISOMAP)算法易受噪声干扰和邻域大小影响,采用局部测地距离估计输入数据点的初始邻域,并结合增量学习思想,提出一种基于局部测地距离估计的增量ISOMAP算法进行降维,以提高ISOMAP算法的分类能力.人脸识别试验表明,该算法识别性能优越,对噪声和几何形变具有鲁棒性.

基于等距特征映射降维的台风灾情概率神经网络预评估模型

台风致灾因子、承灾体和灾情之间是一个复杂的非线性动力系统,准确高效地提取重要指标对台风灾情等级进行预评估,是防灾救灾工作的重要依据。采用主成分分析、等距特征映射和信息熵特征提取的承灾体关键指标,和致灾源作为输入神经元,灾情等级作为输出神经元,建立台风灾情概率神经网络预评估模型。结果表明,基于等距映射非线性特征提取的概率神经网络预评估模型的准确率达到90%。

等距特征映射的支持向量机模型在上市公司信用风险评估中的应用

为了实现上市公司信用风险的科学定量管理,提出了一种基于支持向量机(SVM)的信用风险评估方法。考虑到财务数据特征的非线性和高维性,采用等距特征映射(Isomap)算法对财务指标进行特征提取,以减少数据的冗余,针对人为选择SVM参数的盲目性,应用遗传算法优化其参数。通过以中国上市公司财务数据为基础的实证分析表明:基于Isomap的SVM模型比BPNN(BP神经网络)、PCA-SVM(主成分-支持向量机)模型具有更强的信用风险评估能力,小样本评估准确率达到91%。

基于样本的等距特征映射的行为分析方法

针对运动捕捉数据分析和应用的效率要求,提出了一种基于样本-Isomap的行为分析方法.通过计算运动数据中样本帧的距离矩阵得到样本嵌入空间的特征向量,用其近似表示嵌入空间的特征向量,然后在该空间上计算非样本帧的投影,得到非样本帧的近似流形嵌入.结果表明当样本帧的选取比例在10%时可以近似得到整个运动数据的低维流形嵌入,且处理效率比原方法提高10倍以上.应用该算法对高维运动捕捉数据进行降维,能够提高运动捕捉数据分析和应用的效率.

基于希尔伯特-黄变换和等距特征映射的刀具磨损状态监测

为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和等距特征映射(isometric feature mapping,Isomap)的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机(support vector machine,SVM)中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明:Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。

基于等距特征映射算法在人脸识别问题中的数学建模

该文梳理了人脸识别技术的相关研究文献,并以FG-NET人脸数据库为样本库,对随机选取的实验分析对象进行预处理后,建立合理的数学模型.通过等距特征映射(ISOMAP)算法进行非线性降维,将高维空间的数据信息映射到低维空间,再通过特征提取的方法来判别图像的相似度.该算法以多维尺度变换(MDS)为基础,将欧氏距离替换为数据点间的测地线距离,使数据信息在降维后损失最小,实现高维空间的数据信息在低维空间的有效表达,在较大减小计算量的基础上,提高图像识别率.同时,运用MATLAB软件进行编程验证,结果表明,同一个人在不同年龄段的人脸识别率达到了88.89%,不同人在不同年龄段的人脸识别率达到了91.67%.

鲁棒性监督等距特征映射方法

提出一种鲁棒的监督Isomap算法(RS-Isomap算法).该方法首先在标准PCA基础上,为样本邻域点引入权值因子,产生新的优化问题,使用加权迭代最小二乘法求解.然后利用加权主成分分析,遍历每一个样本点,计算归一化权值之和,得到样本的可信度.接着融合样本的可信度、类别和邻域信息,重新定义样本点之间的测地距离,计算最短距离矩阵,采用多维标度分析和广义回归神经网络分别构建训练样本和测试点的嵌入坐标.实验表明:新方法比传统的Isomap方法有较强的抗噪声能力,能有效地提高高光谱图像的分类精度,在运行时间上具有可行性.鲁棒性的监督Isomap算法是一种有效的高光谱遥感图像特征提取方法.

时域流形特征增强在数控机床轴承故障诊断中的应用

以数控机床轴承的时域振动信号为研究对象,提出一种基于流形学习的特征增强方法。首先,将采集信号的时间序列进行相空间重构,通过计算子相空间的信息熵来构建信号在特征空间中的表示,并以流形距离作为原始信号来集中不同故障类型的度量。然后,使用等距特征映射算法求取信号在特征空间中同胚的低维流形,其结果可用于对故障类型的分类判别。经实例数据集的验证分析发现,信息熵—等距特征映射变换能够在低维特征空间表达并强化轴承时域信号的故障类型特征,可有效应用于数控机床轴承单一和复合故障场景的设备运行诊断。

IMIBSE与ISOMAP在旋转机械故障诊断中的应用

针对基本熵的区域划分标准不理想,导致无法有效测量振动信号的复杂度,使故障诊断的准确率不佳这一问题,提出了一种基于改进多尺度改进基本熵(IMIBSE)、等距特征映射(ISOMAP)和随机森林(RF)的旋转机械故障诊断方法。首先,采用基于方差的区域划分准则对基本熵进行了改进,结合改进的粗粒化处理,提出了IMIBSE,并将其用于提取故障特征;随后,利用ISOMAP对原始故障特征进行了特征降维,选择了对分类贡献最大的一组特征作为故障敏感特征;最后,基于RF建立了多故障分类器,将故障敏感特征输入至RF模型进行了训练和测试,实现了旋转机械的故障识别,利用齿轮箱和离心泵两种故障数据集将IMIBSE方法与复合多尺度基本熵、多尺度改进基本熵、多尺度基本熵进行了比较和分析。研究结果表明:IMIBSE不仅具有最佳的可视化效果,而且取得的识别准确率最高,二者均达到了100%,而二者的平均分类准确率分别为100%和99.8%;相较于其他故障诊断方法,IMIBSE方法的准确率更高,而且适用于小样本的故障识别问题。

基于RCMDE和ISOMAP的行星齿轮传动耦合故障辨识研究

现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细复合多尺度散度熵(RCMDE)、等距特征映射(ISOMAP)和遗传算法优化核极限学习机(GA-KELM)的行星齿轮箱耦合故障诊断方法。首先,利用振动加速度计采集了行星齿轮箱单一故障和耦合故障下运行时的振动信号,构建了故障数据集;随后,利用RCMDE提取了行星齿轮箱振动信号的故障特征,建立了初始的特征样本;接着,利用ISOMAP对故障特征进行了降维,并以可视化的方式获取了低维的特征样本;最后,将新特征输入至GA-KELM分类器中,对行星齿轮箱的不同故障类型进行了识别,并基于行星齿轮箱多点损伤样本,对RCMDE方法的可靠性进行了研究。研究结果表明:基于RCMDE和ISOMAP的故障特征提取方法能够有效提取振动信号中的故障特征,而GA-KELM的故障诊断准确率达到了98.13%,平均诊断准确率达到了96.25%。相较其他故障特征提取方法,基于RCMDE、ISOMAP和GA-KELM的行星齿轮箱耦合故障诊断方法能够更好地诊断行星齿轮箱的耦合故障,具有更高的诊断准确率。

基于L1范数主成分分析网络的肝功能分级方法

针对肝功能分级方法主要基于患者血液学检查的生物化学指标,具有创伤性,且存在时效性不足等问题.考虑到肝脏CT图像与其病理组织具有一定的关联性,从肝脏CT图像入手,提出一种基于L1范数主成分分析网络(L1-PCANet)的肝功能分级方法.首先,利用L1范数主成分分析(L1-PCA)算法改进主成分分析网络(PCANet)模型中卷积核参数的学习方法,增强对离群数据和噪声的鲁棒性,进而提取出CT图像中肝脏感兴趣区域的深度层级特征,然后,在网络输出层引入等距特征映射(Isomap)算法对特征进行非线性降维,进一步去除冗余信息,最后,利用支持向量机对模型进行优化训练,实现肝功能分级.结果表明:改进模型的分级准确率、查准率、查全率、F1值分别为78.67%,78.10%,87.33%和0.8246,相比原始PCANet模型分别提高了5.81%、2.73%、9.33%和5.8%,有效地提高了肝功能分级的准确率.

ISGS:一种面向滞后效应的组合模型研究

针对滞后效应明显、样本量小的数据集,为解决单一算法模型预测精度低、泛化能力差的问题,提出了一种基于等距特征映射算法(Isometric Feature Mapping,ISOMAP)、少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)、遗传算法(Genetic Algorithm,GA)、支持向量回归(Support Vector Regression,SVR)的组合模型ISGS(ISOMPA-SMOTE-GA-SVR).首先,利用ISOMAP和SMOTE算法对滞后效应明显、样本量较小的数据集进行特征变换.其次,利用SVR算法较强的非线性分类能力及泛化能力对数据集进行回归分析.最后,利用GA算法对SVR算法的参数进行优化,以提升模型的预测精度.采用气象因素、空气质量、呼吸系统发病人数三组数据集,基于ISGS模型进行了发病人数预测的仿真实验和对比实验.实验结果表明,该模型预测精度和准确率较传统模型均有所提高,预测精度达到93.65%(传统单一模型83.481%).同时具有更好的泛化能力,能够更好地处理高维度、小样本数据集.

基于ALIF和ISOMAP的机械设备故障识别方法研究

滚动轴承作为机械设备的重要部件,对机械设备的稳定运行起着重要的作用。滚动轴承的故障信号往往是多种信号的叠加,有必要对采集到的振动信号进行模式分解,进而基于模式识别方法实现对滚动轴承不同故障模式的分类识别。提出一种基于自适应局部迭代滤波(ALIF)和等距特征映射(ISOMAP)的机械设备故障分类识别方法。利用ALIF对滚动轴承的故障信号进行模式分解;对选定的模式分量提取多个统计学特征;最后利用ISOMAP对高维特征信号进行降维处理,实现对滚动轴承不同故障模式的分类识别。研究结果表明:所提方法在滚动轴承故障识别上具有良好的效果。

基于Isomap-CS-Elman的PVC聚合过程转化率预测

VCM的转化率是PVC聚合过程中一个重要的产品质量指标.由于PVC聚合过程较为复杂,且受现场条件的限制,VCM的转化率难以实时在线监测.因此,本文建立了一种基于Isomap-CS-Elman的软测量建模方法.利用Isomap算法对高维输入变量进行特征降维,确定了软测量模型的辅助变量,再采用CS智能优化算法优化Elman神经网络模型的结构参数,实现了输入输出变量之间的非线性映射.实验结果表明:与传统的Elman神经网络模型相比,所提出的模型具有更高的预测精度,较好地预测了VCM的转化率,满足了PVC聚合过程的实时控制要求.

一种改进的ISOMAP算法在图像检索中的应用

传统的核化ISOMAP(K-ISOMAP)算法对于多个分散类簇数据集的低维映射不能较好地表现数据集的内在拓扑结构。针对此缺点,本文将对基于ISOMAP的多类多流形算法(MCMM-ISOMAP)进行核化,提出核化的多类多流形ISOMAP算法(K-MCMM-ISOMAP),该算法不仅使得多类数据集在降维后保持较好的内在拓扑结构,而且具备了K-ISOMAP算法的泛化能力,可以将测试数据直接映射到低维空间。因此,该算法可以在多类图像数据集中实现图像检索的功能。实验结果表明该算法与K-ISOMAP相比更具有效性。

基于Isomap的流形结构重建方法

已有的流形学习方法仅能建立点对点的降维嵌入,而未建立高维数据流形空间与低维表示空间之间的相互映射.此缺陷已限制了流形学习方法在诸多数据挖掘问题中的进一步应用.针对这一问题,文中提出了两种新型高效的流形结构重建算法:快速算法与稳健算法.其均以经典的Isomap方法内在运行机理为出发点,进而推导出高维流形空间与低维表示空间之间双向的显式映射函数关系,基于此函数即可实现流形映射的有效重建.理论分析与实验结果证明,所提算法在计算速度、噪音敏感性、映射表现等方面相对已有方法具有明显优势.

一种新的有监督流形学习方法

提出了一种新的有监督流形学习方法,目的是提供将流形学习降维方法高效应用于有监督学习问题的全新策略.算法的核心思想是集成流形学习方法对高维流形结构数据的降维有效性与支撑向量机(SVM)在中小规模分类数据集上的优良特性实现高效有监督流形学习.算法具体实现步骤为:首先利用SVM在流形学习降维数据中选出对分类决策最重要的数据集,即支撑向量集;按标号返回可得到原空间的支撑向量集;在这个集合上再次使用SVM即可得到原空间的分类决策,从而完成有监督流形学习.在一系列人工与实际数据集上的实验验证了方法的有效性.

基于ISOMAP的高光谱遥感数据的降维与分类

为挖掘高光谱遥感数据内在的非线性结构特性,采用全局化流形学习算法等距特征映射(ISOMAP)对高光谱遥感数据进行非线性降维,并取得了优于常用的最小噪声分离(MNF)变换方法的结果,具有更好的数据压缩性能。将光谱角相似性度量方法用于ISOMAP算法,取得良好的降维效果。通过把ISOMAP降维算法和k-最邻近分类器相结合对降维后子空间特征进行分类,实验表明:ISOMAP利用较少的特征维数获得比MNF更高的分类精度,并达到较高稳定的分类精度,尤其对难以区分、光谱相似的两类别问题,ISOMAP的特征维数能够有效的提高两类别的可分性。

基于聚类的模型数据集可视化与检索

为解决模型数据集可视化的问题,提出一种基于聚类结果的簇代表模型可视化方案.首先以等距特征映射算法作为模型特征数据的降维方法,将高维特征数据降至三维,并以该三维数据作为簇代表模型的空间位置坐标;然后采用粒子群优化算法得到模型簇的几何中值点,以距几何中值点最近的模型作为该模型簇的代表模型;最后结合模型的对齐方法来确定簇代表模型的姿态,从而实现模型数据集的可视化.另外,根据查询模型与簇代表模型之间的相似性,提出一个基于聚类结果的模型检索流程.该检索流程首先寻找与查询模型最相似的簇代表模型,然后将查询范围限制在这些簇代表模型对应的模型簇中,从而减少备选模型的数量.检索实验结果表明,在合适的参数组合下,该检索流程可以在保证检索精度的同时大幅提高检索效率.