有监督LLTSA特征约简旋转机械故障诊断

线性局部切空间排列(LLTSA)为无监督特征约简方法,对多域故障特征集进行维数约简,会导致故障解耦不完全、故障间仍然存在混叠。针对这个问题,提出有监督线性局部切空间排列(S-LLTSA)特征约简方法,将类判别信息融入特征约简过程,实现了数据集本征结构与类判别信息的有机结合,可提取出最优低维敏感故障特征向量;并通过自适应近邻分类器(ANNC)来构建故障特征向量与故障类别的对应关系。S-LLTSA特征约简有效地增加了故障特征的可辨识性,而ANNC具有优异的模式辨识能力,进一步提高了故障诊断的精度。齿轮箱故障模拟实验验证了提出的旋转机械故障诊断方法的有效性。

一种基于自适应最近邻的聚类融合方法

聚类融合通过把具有一定差异性的聚类成员进行组合,能够得到比单一算法更为优越的结果,是近年来聚类算法研究领域的热点问题之一。提出了一种基于自适应最近邻的聚类融合算法ANNCE,能够根据数据分布密度的不同,为每一个数据点自动选择合适的最近邻选取范围。该算法与已有的基于KNN的算法相比,不仅解决了KNN算法中存在的过多参数需要实验确定的问题,还进一步提高了聚类效果。

基于多域特征联合分布适配的刀具磨损状态识别

针对不同加工参数下的刀具磨损建模问题,提出一种基于多域特征联合分布适配的刀具状态识别方法,以提高刀具状态识别模型的泛化性能与识别精度。对切削过程中不同加工参数下的传感器信号数据,提取时域、频域、时频域特征,通过联合分布适配算法(JDA)缩小特征间的差异,适配后的特征输入到K-最近邻分类器(KNN)进行磨损状态识别。实验结果表明,该方法能够有效识别不同加工参数下的刀具磨损状态,平均识别精度可提升12%以上,具有较好的泛化性能和识别精度。

基于TBM的自适应模糊k-NN分类器

针对训练模式类标签不精确的识别问题,提出基于可传递信度模型的自适应模糊k-NN(k-Nearest Neighbor)分类器。利用可传递信度模型结合模糊集理论和可能性理论并运用pignistic变换,对待识别模式真正所属的类做出决策。采用梯度下降最小化误差函数,以实现参数的自适应学习。实验结果表明,该分类器误分类率低、鲁棒性强。

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。

ADE的ReliefF特征选择在高光谱图像分类中的应用

针对高光谱图像谱段数目较多、近邻谱段相关性过高而导致分类困难的问题,提出了一种自适应差分进化特征选择的高光谱图像分类算法。首先初始化种群向量集,利用自适应差分进化算法搜索特征的自适应性生成特征子集;然后,通过使用Relief F技术根据特征排序去除重复特征,从而为所有的特征构建一个特征列表;最后,借助于模糊k-近邻分类器计算每个向量的分类精度,利用包裹模型评估特征子集。在印第安纳数据集和KSC数据集上的实验结果验证了算法的有效性及可靠性,实验结果表明,相比其他几种特征选择算法,该算法取得了更高的总分类精度和更好的Kappa系数。

自适应三维形变模型结合流形分析的人脸识别方法

为了在人脸姿态和表情归一化后减少人脸外观的信息损失,提出自适应三维形变模型(3DMM)结合流形分析的人脸识别方法。首先,描述人脸姿态变换引起的2D和3D坐标的不对应性,提出自适应3DMM拟合方法;然后,通过三维变换来保留尽可能多的身份信息,将整个图像网格化映射成3D对象,姿态和表情的归一化保证了变换的稳定;最后,利用多流形判别分析计算流形与流形之间的距离,并利用最近邻分类器完成识别。在Multi-PIE,LFW以及自己采集的数据库上的实验验证了所提方法的有效性,在3个数据库上的识别率分别高达99.8%,95.25%,98.62%。所提方法显著改善了人脸识别性能,在约束和无约束环境下均优于其他几种较新的识别方法。

基于自适应类别权重的HRRP决策融合识别

针对雷达高分辨率距离像(HRRP)识别中因特殊样本和分类器误判而出现的错误分类问题,提出了一种基于自适应类别权重的多分类器决策融合识别方法。该方法结合K-最近邻思想,利用最近邻和相似度准则挑选与测试样本对应的训练样本集,构造混淆矩阵自适应完成分类器置信度的计算和筛选,最终获得目标各类别权重,输出分类结果。基于实测数据的研究结果表明,相较于以上任意单个分类器和传统决策融合方案,文中提出的融合识别方法识别率有明显提高,并且随着噪声的增大,该方法的优势愈加突显。

基于自适应提升小波变换和LBP的极光分类算法

本文提出了一种新的基于自适应提升小波变换的双尺度算法、改进的局部二值模式和模糊近邻分类相结合的极光分类算法。该算法在极光图像预处理的基础之上,先是利用自适应提升的小波变换将原始的极光图像分为几个子图像,然后再对各个子图像进行变尺度的高斯滤波。用局部二值模式进行对子图像进行特征的提取,最后用模糊的近邻分类算法对其进行分类。仿真实验证明,首先本文算法的分类效率高于其他极光分类算法,其次就是本文算法对普通的噪声,例如高斯噪声和椒盐噪声,都有较好的鲁棒性。

联合改进拉普拉斯特征映射和k-近邻分类器的高光谱影像分类

高光谱影像利用流形学习降维和分类器分类时往往忽略了影像本身的空间特征,这将严重制约最终的分类精度。因此,本文以拉普拉斯特征映射和k-近邻分类器为例,提出了自适应加权综合核距离来同时改进流形学习方法和分类器方法,目的在于改善高光谱影像的分类结果。自适应加权综合核距离同时考虑高光谱影像的光谱特征和空间特征,且能够针对每个像素点自动估算空间邻域来描述空间特征。通过Indian和PaviaU两个数据集来分析和验证本文提出的组合策略,实验结果表明,本文提出的组合策略得到的分类结果明显优于常规拉普拉斯特征映射降维和常规k-近邻分类的组合策略,能够得到更高精度的分类结果。