基于DLNS-LLE和LSSVM参数优化的工业过程故障诊断

针对实际工业生产过程中数据的非线性、高维度等特征导致的故障特征难以提取、故障诊断率低的问题,提出将双局部近邻标准化(Double Local Neighborhood Standardization,DLNS)与局部线性嵌入(LLE)相结合进行故障特征提取,并使用霜冰优化算法(RIME)对最小二乘支持向量机(LSSVM)进行参数优化的故障诊断方法。首先利用DLNS对数据进行预处理,然后使用LLE方法对数据进行降维重构以提取故障特征,其次,利用RIME算法对LSSVM的惩罚因子与核参数进行寻优,以获取最优的LSSVM模型用于故障诊断。最后将所提方法应用于田纳西-伊斯曼过程(TE)进行仿真实验。实验结果表明,所提方法能够有效提高故障诊断的诊断效果,验证了其在实际应用中的有效性。

基于LLE降维和BP_Adaboost分类器的GIS局部放电模式识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型,用超声波传感器采集到其放电波形。对放电波形提取的特征向量进行局部线性嵌入(local linear embedding,LLE)算法降维处理,用降维后的向量作为输入对BP_Adaboost分类器进行训练和测试类型识别。识别结果表明,用这样方法进行GIS绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率,说明了其在局部放电模式识别应用中的有效性。

LLE算法及其应用

LLE算法针对非线性降维问题,利用线性重构的局部对称性找出高维数据空间中的非线性结构。并在保持各数据点临近位置关系情况下,把高维空间数据点映射为低维空间对应的数据点。其计算步骤包括:计算、寻找数据点或邻居数据点、构造数据点及计算权值矩阵,并通过权值矩阵计算低维向量。

增量Hessian LLE算法研究

利用基于Ritz加速的逆幂迭代算法,在经典的Hessian LLE算法基础上提出一种增量LLE算法,能够高效地处理新增的一个或多个样本。该算法的核心思想是将增量流形学习问题转化为一个增量特征值问题,利用数值线性代数的工具进行求解,并分析算法的收敛性。在合成数据集和图像数据集上,验证该增量算法的效率和精确度。

LLE算法及其在手写文字识别中的应用

手写体识别有着广阔的应用前景和很高的理论价值,其主要分为在线识别和离线识别两种。在分析局部线性嵌入算法LLE和文字识别过程的基础上,实现了整个手写文字识别过程,包括图像获取、预处理、特征提取、分类、LLE降维、识别输出等过程。通过文字的相容度试验,确定了本过程的有效性。

LLE算法的模态识别及影响因素研究

局部线性嵌入算法(LLE)是一种实现对高维数据降维的流形学习算法,可基于结构响应数据进行模态参数识别,算法的噪声敏感度和稳定性对参数识别精度具有重要影响。本文以一块复合材料板为研究对象,利用LLE算法对其振动响应数据进行降维处理从而实现模态识别,重点分析了该算法的噪声敏感度和其在不同采样频率下的流形特征稳定性,同时利用模态置信准则(MAC)衡量LLE算法提取得到的振型与有限元振型的相关性。结果表明,利用LLE算法识别的模态参数具有较高的精度,且LLE算法具有较强的抗噪声干扰能力,采样频率对LLE算法的影响与采样定理相一致。

基于结构特征与LLE算法的数字仪表校验系统

针对数字仪表校验人工读取数据时存在的误差问题,提出一种基于多特征与局部线性嵌入算法(LLE)结合的数字仪表校验方法。首先将字符图像从RGB转换到HSI色彩空间,在I空间对图像进行分割,并利用投影法分割出单个字符;然后对字符图像提取结构特征,由于单纯的结构特征对字符的描述不足,导致识别精度较低,故文中利用LLE算法对字符二值图像降维,将降维后的像素特征与结构特征相结合;最后,利用支持向量机(SVM)对字符特征进行识别。实验结果显示,所提方法提高了校验系统的字符识别率。

基于非结构化数据的LLE-WOA-LSSVR碳价格组合预测模型

在传统的组合预测模型中,利用的数据大多为结构化数据,然而在网络环境下,非结构化数据广泛存在,因此充分利用非结构化数据所提供的有效信息是预测中要解决的关键问题之一。针对上述问题,文章构建了基于非结构化数据的局部线性嵌入和鲸鱼优化算法的最小二乘支持向量回归(locally linear embedding-whale optimization algorithm-least squares support vector regression,LLE-WOA-LSSVR)碳价格组合预测模型,通过LLE算法对非结构化的高维数据进行降维处理,并利用LSSVR进行预测。考虑到LSSVR模型中参数的选取会对预测结果产生影响,引入WOA算法优化模型中的参数。碳价格预测的实例结果表明,LLE-WOA-LSSVR预测模型可行且有效。

基于LLE和SVM的手部动作识别方法

为了提高人体手部动作的识别性能,针对高维特征数据给模式识别带来的问题,提出了一种基于局部线性嵌入(LLE)算法和支持向量机(SVM)的模式识别方法。该方法从肱桡肌和尺侧腕屈肌上采集两路表面肌电信号(s EMG),通过对样本信号的时域分析和小波分析,提取原始信号的特征,构造特征矢量。再利用LLE算法对原始特征数据进行降维,挖掘出具有内在规律的低维特征。将降维后的特征数据输入SVM分类器进行4种动作的模式识别。实验表明:此方法可以有效、准确地对人体手部动作进行分类。

基于改进LLE算法的山东烟叶香型风格分析研究

为实现烟叶风格的快速鉴别,根据烟叶近红外光谱高维、非线性、冗余的特点,在局部线性嵌入(Locally Linear Embedding,LLE)算法的基础上,提出了一种改进LLE非线性降维算法。采用具有确定香型风格特征的基准参比样品建立了香型风格投影模型和判别模型,并与PCA、LLE降维方法进行了比较。结果表明该方法能够有效的对烟叶香型风格进行快速鉴别,准确率较高。应用该模型对2013年山东6大生态产区200个烟叶样品进行了分析,分析结果与以往专家的感官评吸结果基本一致。

基于GPU的LLE算法加速及性能优化

为提高非线性数据降维算法效能,分析这类算法的特点,综合考虑KNN计算和解决Sparse特征值两个问题,提出将LLE算法中的KNN搜索算法及大型稀疏矩阵解特征值这两个部分并行在GPU的运算平台上,通过这种方法来加快所有基于LLE发展而来的数据降维技术的执行时间。仿真计算结果表明,在KNN方面整体加速可达40至50倍,在解大型稀疏矩阵特征值的部分加速至10倍左右。整体来说,数据降维算法加速10倍左右,有效运用GPU提高了LLE这类算法的性能。

对LLE图像超分辨率算法的几个改进

本文旨在对一种经典的图像超分辨率方法--LLE算法(局部线性嵌入算法)及其代码进行一些改进和优化。为提高对大量图像块的搜索速度,我们采用kd树算法整理样本集;鉴于像素点灰度值的非负性,我们采用非负最小二乘法而不是LLE原来的最小二乘法,确定低分辨率图像块与训练样本集中k最邻近图像块的回归系数;最后,考虑到样本集选取和变换会对实验结果造成影响,我们对训练样本图像的若干因素进行一系列组合,通过正交实验设计得出样本集的最佳选取标准。实验表明,改进后的LLE图像超分辨率算法相比传统的图像插值算法和原LLE算法,效果有较大的改进。

基于LLE-PCA的社交网络数据二重降维方法研究

社交网络数据属于多维数据,在社交网络数据挖掘研究中,对海量社交数据进行降维处理是必不可少的步骤。文中针对传统的局部线性嵌入(LLE)降维算法和主成分分析(PCA)降维算法对所处理数据类型有要求的局限性,提出一种新的局部线性嵌入-主成分分析联合二重降维算法(LLE-PCA),并将该算法应用于社交网络数据处理中。该算法将LLE中的重构系数矩阵与PCA中的主成分矩阵相结合,得到在低维空间投影后的新样本方差表达式,新的样本方差表达式可为数据降维的效果好坏提供判断依据。实验结果表明:所提算法对多维社交网络数据的降维效果较好,能明显将不同属性的社交数据分散开,同时兼顾数据的整体和局部特征;此外,相比单一的LLE和PCA算法,LLE-PCA算法缩短了对多维社交数据降维的时间。从降维效果来看,文中算法融合了LLE和PCA算法的优点,在处理同时具有线性和非线性特征的社交网络数据时有更好的兼容性。

基于LLE-FOA-SVR模型的煤矿突水预测

针对煤矿突水预测精度低、训练速度慢的问题,提出基于局部线性嵌入(LLE)—果蝇优化算法(FOA)—支持向量回归(SVR)的煤矿突水预测模型。首先,利用LLE在非线性数据特征提取方面的优势,提取煤矿突水影响因素原始数据的本质特征,形成重构因子,减少数据间的冗余信息和噪声。然后,利用FOA对SVR的参数进行迭代优化,并将最优参数代入SVR中,以解决传统SVR参数优化困难的问题。最后,结合实例并将LLE-FOA-SVR模型的预测结果与反向传播(BP)、SVR、LLE-SVR模型的预测结果进行对比。实验结果表明:该模型的预测精度高于其他3种模型,预测精度可达90%,且建模时间和运算时间更短。

一种改进的监督LLE织物检测算法

论文提出一种基于Gabor滤波簇的改进的监督LLE织物检测算法,并用该算法对织物疵点进行仿真实验。实验表明,论文算法能有效突出织物疵点显著性特征,并提高检测准确率,同时优化了检测时间。

基于PSO-SVM的高温炉变频电机局部放电预警监测方法

在高温炉加热过程中,非均匀的暂态随机状态会影响高温炉变频电机局部放电信号时间特性,导致时间一幅值关系的离散变量不能确定而影响监测效率,为此提出基于PSO-SVM的高温炉变频电机局部放电预警监测方法。首先,采用奇异值分解(SVD)抑制高温炉变频电机局部放电信号中的窄带干扰,获取有用信号;其次,利用局部线性嵌入(LLE)算法提取降维信号中的局部放电特征参数;最后,将其作为输入特征向量构建基于粒子群优化的支持向量机分类函数(PSO-SVM),完成对高温炉变频电机局部放电类型的识别和监测,并以此为依据求出局部放电阈值预警参数和趋势预警缺陷水平,实现对高温炉变频电机局部放电的预警监测。实验结果表明,所提方法能够有效抑制局部放电窄带干扰,并在一定程度上提高了高温炉电机局部放电信号的识别精度和预警监测效率。

基于监督局部线性嵌入算法的玉米田间杂草识别

杂草精准识别是实现农药定向定量喷洒的基础,是精准农业重要的研究课题之一,对环境保护和生产成本控制都有着重要的现实意义。该文以玉米田间常见杂草为研究对象,首先通过超绿特征去除田间复杂背景的影响,然后采用形态学方法自动分割图像中绿色植物区域作为待判别为杂草或作物的识别对象,之后采用基于Fisher投影的监督LLE(locally linear embedding)方法对样本的高维灰度特征进行降维,在低维空间结合支持向量机实现了杂草的快速识别。试验结果表明,该识别方法能更好地发现杂草与玉米的低维特征,对杂草和玉米植株的平均识别率分别达到97.2%和77.8%。该研究结果可为精准喷洒除草剂的自动化实现提供参考。

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。

基于邻域参数动态变化的局部线性嵌入人脸识别

为了增强局部线性嵌入(LLE)算法对人脸识别中特征的分类性能,将最小生成树算法思想引入,提出一种邻域参数动态变化的新的局部线性嵌入算法。该算法采用单链聚类算法以及对其进一步优化自动确定数据点邻域,改善了一般局部线性嵌入算法固定邻域的不足,及其处理现实中大量非均匀源数据集失效问题的缺点。将改进后的算法结合支持向量机(SVM)分类器进行人脸识别,在ORL和YALE人脸数据库的平均识别率得到较高提升。仿真实验结果验证了该算法的有效性。

基于核局部线性嵌入算法的图像去噪方法

利用局部线性嵌入算法进行图像去噪时,如果局部近邻样本呈现非线性关系,图像去噪效果会受到影响。针对该问题,提出基于核局部线性嵌入算法的图像去噪方法。通过非线性核函数将样本映射到高维线性空间,在高维空间运用局部线性嵌入算法进行图像去噪。实验结果表明,该方法能有效地对高维非线性图像进行去噪,性能优于中值滤波算法和局部线性嵌入算法。