基于LISOMAP的相关向量机入侵检测模型

针对现有入侵检测模型分类检测精度低、误报率高的问题,提出一种基于地标等距映射(LISOMAP)的相关向量机(RVM)入侵检测分类模型。首先采用LISOMAP对训练样本中的数据进行非线性降维,结合深度优先搜索(DFS)参数优化的RVM进行分类检测。结果表明,该模型与基于主成分分析(PCA)法的支持向量机(SVM)、基于LISOMAP的SVM模型相比,在保证一定检测率的情况下,误报率有了明显下降。

煤与瓦斯突出的L-Isomap-KELM模型

煤与瓦斯突出预测是一个复杂多因素的、非线性的高维问题,传统的预测方法存在预测精度不高,预测速度慢等不足。针对上述问题,提出了将地标等距特征映射(Landmarks Isometric Mapping,L-Isomap)理论与核极端学习机(Kernel Extreme Learning Machine,KELM)相结合应用到煤与瓦斯突出预测中的新方法。首先,采用L-Isomap进行非线性降维,完成特征提取;然后,用KELM来融合煤与瓦斯突出风险与致突因素组成的特征向量之间的非线性关系,建立煤与瓦斯突出预测的L-Isomap-KELM模型,并将其与极端学习机(ELM)预测模型相比。仿真结果表明:L-Isomap-KELM预测模型能够达到97.31%的准确率,并且运算速度快,还具有很好的泛化能力。

基于小世界模型的流形学习算法

等距特征映射(ISOMAP)不仅计算复杂度很高,而且缺乏对新样本的学习能力。基于标志点的ISOMAP(L-ISOMAP)通过只保持一些标志点之间的测地线距离有效地降低了复杂度,然而标志点集的随机选择常常会导致较差的嵌入结果。为此,提出了一种基于小世界模型的流形学习算法。根据小世界模型的原理,该算法仅仅保持每个样本点与其k个最近邻和一些随机选择的远点之间的测地线距离,采用最速梯度下降法优化来得到数据的低维表示。理论分析表明,该算法的计算复杂度远远低于ISOMAP的复杂度。利用应力函数和剩余方差对3个算法进行了比较。实验结果表明,从该算法得到的结果与从ISOMAP得到的结果相近,且优于从L-ISOMAP得到的结果。同时,该算法可以实现对新样本的学习,对噪声也不太敏感。

基于标志点等距映射的高光谱图像端元提取算法

针对Isomap-NFINDR端元提取算法复杂度高、占用内存多、效率低的缺点,提出一种基于标志点选择Isomap的快速端元提取算法。该方法采用最大最小距离法来选取初始的K个聚类中心点,并采用光谱夹角距离SAD代替欧式距离来进行聚类分割;根据图像的空间特性,从去除聚类的边界点后剩余点间隔抽取距离聚类中心距离最小的N个点作为标志点。真实高光谱图像实验结果表明,提出的算法精度接近原始的基于Isomap-NFINDR算法,而效率提高了将近60倍。

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO-SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。