一种基于配对矩阵改进的LE分类算法

拉普拉斯特征映射(LE)算法基于流形学习思想将原始数据映射到低维空间,然而其无法解决样本外点学习问题,更没有使用类别信息。针对这些实际应用问题提出了一种新的基于配对矩阵的拉普拉斯特征映射(PM-LE)算法。PM-LE的目标是使得高维空间中的"相似点"投影到本征低维空间后为近邻点,同时该算法引入类别信息帮助构建近邻图,并且利用最大化相似矩阵及其配对矩阵内积的算法来重新计算权值矩阵,从而更适合应用于分类问题。应用于人脸识别的实验结果证明,PM-LE算法能很好地完成实际的降维和分类任务。

一种根据时序数据预测机械故障的方法

本文提出基于核空间边距测度的特征选择方法,并进一步给出了基于流形学习的故障诊断方法流程。为使设备故障的模式识别结果更加准确有效,在对振动信号执行降噪处理之后需要从中提取大量故障特征,但是随之会出现混合域高维特征之间的冲突和冗余问题。本文利用基于核空间边距测度的特征选择方法获取加权敏感特征,同时综合基于邻域成分选择的谱分类方法、基于自适应局部切空间排列和加权重构的非线性降噪算法,得到了集非线性降噪、特征构造和特征约简为一体的故障诊断方法。