基于LFDA和稀疏表示的轴承故障诊断

由于轴承信号是含有大量噪声的多模态数据,故障识别困难,提出了一种LFDA和稀疏表示算法相结合的轴承故障诊断方法。首先,对采集到的多模态轴承故障数据进行LFDA降维处理,提取故障数据的局部Fisher特征,保持了不同类别之间的区分度;其次,构建自适应特征字典,使用正交匹配追踪算法对故障信号稀疏表示,减少了被测样本数据中包含的噪声,降低了数据的计算复杂度;最后,利用最小重构误差方法对测试样本进行分类。实验结果证明,该方法在诊断精度上优于其他对比方法。

基于正交半监督局部Fisher判别分析的故障诊断

针对有标记故障样本不足和故障特征集维数过高的问题,提出基于正交半监督局部Fisher判别分析(Orthogonal semi-supervised local Fisher discriminant analysis,OSELF)的故障诊断方法。所提出的OSELF能够充分地利用蕴含于无标记故障样本中的故障信息,避免了因有标记故障样本不足引起的过学习问题,同时采用正交迭代方式求解最优正交映射矩阵,克服现有方法无法得到正交映射矩阵的不足。正交映射矩阵的基矢量统计不相关,可有效地提高所得低维特征矢量的可辨识性。通过正交映射矩阵对故障样本集和新增样本进行维数约简,并将维数约简的结果输入粗糙优化k最近邻分类器(Coarse to fine k nearest neighbor classifier,CFKNNC)进行学习训练和故障识别。所提方法集成了OSELF在维数约简和CFKNNC在模式识别的优势,有效地提高了故障诊断的精度。通过齿轮箱故障模拟试验验证了该方法的有效性。

局部敏感非负矩阵分解

非负矩阵分解是一种新的基于部分学习的矩阵分解方法,反映了人类思维中局部构成整体的概念。算法只将非负矩阵近似地分解成两个非负矩阵的积,忽略了数据几何结构和判别信息。提出了一个局部敏感非负矩阵分解降维算法来克服这一缺点。该算法既保持了数据非负性,又保持了数据的几何结构和判别信息。构造了一个有效的乘积更新算法并且在理论上证明了算法的收敛性。ORL和Yale人脸数据库实验表明该算法性能超过许多已存在的方法。

基于自适应邻域选择的正交局部敏感判别分析

维数灾难是机器学习算法在高维数据上学习经常遇到的难题,基于局部敏感判别分析(locality sensitive discrimi-nant analysis,LSDA),可以很好地解决维数灾难问题。且LSDA构建邻域时不能充分反映流形学习对邻域要求和克服测度扭曲问题,利用自适应邻域选择方法来度量邻域,同时,引入施密特正交化获得正交投影矩阵,提出一种自适应邻域选择的正交局部敏感判别分析算法。在ORL和YALE人脸数据库上进行实验,实验结果表明了该算法的有效性。

直接无监督正交局部保持特征提取算法

基于局部保持投影发展出的一系列特征提取算法,在应用于人脸识别等高维小样本问题时,均需先采用PCA算法对高维样本降维后才能应用,故此以无监督鉴别分析算法为理论基础,提出了一种直接无监督正交局部保持算法。该算法利用拉普拉斯矩阵的性质进行相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵,因而无需先采用PCA降维处理,且解决了无监督鉴别分析算法的小样本问题。为了进一步提高算法的识别性能,给出了基于QR分解的正交投影矩阵的求解方法。人脸库和掌纹库上的实验结果表明了所提算法的有效性。

基于不相关局部敏感鉴别分析的新生儿疼痛表情识别

针对新生儿疼痛表情识别中的特征提取问题,提出一种不相关局部敏感鉴别分析(Uncorrelated Locality Sensitive Discriminant Analysis,ULSDA)算法。首先,在局部敏感鉴别分析(LSDA)算法的基础上,通过附加投影向量正交性的约束条件,定义了ULSDA的目标函数;然后,推导出求解特征子空间正交投影向量的迭代公式;最后,将输入的高维图像数据投影到这个特征子空间,求出特征向量。ULSDA算法不仅继承了LSDA算法所具有的有监督、局部流形结构保持等特性,而且消除了LSDA算法所提取出的鉴别特征的相关性,从而增强了特征的鉴别能力,比LSDA算法具有更好的分类识别能力。在新生儿表情图像库上的疼痛表情识别实验结果表明,提出的ULSDA方法是有效可行的。当每类表情的训练样本图像为150幅时,采用ULSDA算法获得的平均识别率达到了82.07%,优于主成分分析(PCA)、线性鉴别分析(LDA)、局部敏感鉴别分析(LSDA)等特征提取方法。

基于改进LSDA的人体行为识别算法

提出了一种基于改进的局部敏感判别分析(LSDA)的人体行为识别算法。首先,利用样本间的距离信息重置类内最近邻点集和类间最近邻点集的权值矩阵,保证在最大化目标函数时尽可能保持局部线性重构特性,解决小样本难题;然后,通过Gran-Schmidt正交化方法将特征矩阵进行正交化,可有效地保留原始空间中的高维空间,解决图像特征重建难题;最后在Weizmann行为数据库进行实验,平均正确识别率达到98.21%。试验结果表明,该算法具有良好的分类性能,在不同训练样本个数下,该算法均能获得较高的识别率。

基于矩阵表示的局部敏感辨别分析

局部敏感辨别分析(LSDA)只能处理向量型数据,当处理图像等数据时容易产生奇异性问题,为此提出了一种二维局部敏感辨别分析(2DLSDA)方法,可以直接处理二维图像矩阵,能够避免奇异性问题.通过使用矩阵表示,2DLSDA可以有效地利用图像像素间中的空间信息.依据近邻的不同,构造2个分别表示类内近邻关系和类间近邻关系的图,计算2个图上的权重矩阵,基于Schur分解求出2个正交变换矩阵.依据图像的2种展开方式,提出了2种单边2DLSDA算法.在ORL和Yale人脸数据集上的实验结果表明,基于Schur分解的2DLSDA与主成分分析(PCA)、线性辨别分析(LDA)、LSDA相比,能够高效地得到正交变换矩阵,并取得更好的分类效果.

基于二维局部敏感判别分析法的雷达目标识别

由于在不同的观察角度、位置以及光照等条件下雷达目标图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于飞机目标图像识别。基于二维局部敏感判别分析(2DLSDA),提出了一种雷达目标识别方法。首先构造类内和类间邻域关系图,计算两个邻域图上的权重矩阵;然后基于Schur分解求出两个正交变换矩阵,得到映射矩阵,对观察数据进行维数约简,由此有效地克服小样本问题。对飞机目标的分类实验结果表明,该方法是有效可行的。

基于视觉图像的植物受旱等级鉴定研究与仿真

研究图像识别植物受旱等级准确鉴定问题,一些耐旱植物在吸收不同水分的条件下,叶子的叶片细胞液浓度、比鲜叶重等像素、图像形态特征变化极小。传统的利用图像的植物受旱等级鉴定方法多是基于叶片细胞液浓度、比鲜叶重等像素特征在不同干旱条件下,表现的差异进行植物干旱程度判断,一旦特征差异不明显,其特征变化参数将不准确,造成受旱等级鉴定准确度不高。提出像素局部敏感判别分析算法的植物受旱等级鉴定方法。利用一个映射,使得邻域内不同植物受旱像素点之间的边界最大化。细微差异像素点经过计算映射后在子空间内使得干旱植物叶片点更聚集,克服传统方法的弊端。实验结果表明,利用改进算法进行受旱等级鉴定,提高了鉴定的准确度。

局部敏感判别直推学习机

为了充分挖掘样本内在的几何结构和蕴含的判别信息来指导样本数据分类,提出一种局部敏感的判别直推学习方法.该方法将局部敏感辨析(LSDA)的基本原理引入到直推学习中,在直推学习的正则化框架中同时引入有助于分类的样本局部结构信息和判别信息,在判别信息指导下构建了类内图和类间图来刻画类内紧性和类间散性,从而在每个局部邻域中进一步最大化类间样本的间隔.同时,用数学的形式给出了目标函数的解析表达,在几个典型数据集上的实验结果表明,相较传统的基于图的半监督学习算法,该方法能取得更高的分类效果.

一种核正交局部敏感辨别分析算法

为了发掘嵌入在人脸样本的非线性结构信息,把核方法和基向量正交化思想引入局部敏感分析算法中,提出一种新的人脸识别算法-核正交局部敏感辨别分析(Kernel based Orthogonal Locality Sensitive Discriminant Analysis).并给出了算法的推导过程及计算步骤.首先用核方法提取人脸样本的非线性信息,并将其投影至高维非线性空间,然后采用局部敏感辨别分析做线性映射,最后采用施密特正交化方法得到正交的基向量,从而使算法更好地描述人脸非线性流形结构特征.在ORL和YaleB人脸库的人脸识别实验证明了所提算法的有效性.

基于改进的局部敏感判别分析的步态识别方法

相对于人脸和指纹等广泛使用的生物特征识别手段而言,步态识别是一种相对新的非接触式的身份识别方法。提出了一种基于改进的局部敏感判别分析的步态识别方法。在真实的步态数据库上的实验结果表明,提出的步态识别方法是有效可行的。

用于人脸识别的正则正交化的局部判别分析

非线性结构保持能力的不足是正则正交化的线性判别分析ROLDA(Regularized Orthogonal Linear Discriminant Analysis)在人脸识别中的主要问题。提出一个用于人脸识别的正则正交化的局部Fisher判别分析ROLFDA(Regularized Orthogonal LocalFisher Discriminant Analysis)降维算法。该算法在ROLDA基础上引入局部结构保持,继承ROLDA的特性,克服了ROLDA的非线性能力的不足的问题。在YaleB和AR人脸数据集上的实验验证了该算法的有效性。

一种光滑局部敏感鉴别分析方法

传统的局部敏感鉴别分析方法未考虑原有图像样本像素关系信息,识别效果受到影响。为此,提出一种光滑局部敏感鉴别分析方法。针对图像样本构造一个基于离散拉谱拉斯图的正则化项,该正则化项包含图像像素关系的先验信息,并将其嵌入到局部敏感鉴别分析的目标函数中,使抽取的特征具有空间光滑的特性,从而增强局部敏感鉴别分析算法的泛化能力。在ORL和IMDB人脸数据集上的实验结果证明了该方法的有效性。

全局与局部判别信息融合的转子故障数据集降维方法研究

针对传统的数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种核主元分析(Kernel principal component analysis,KPCA)和正交化局部敏感判别分析(Orthogonal locality sensitive discriminant analysis,OLSDA)相结合的转子故障数据集降维方法.该方法首先利用KPCA算法有效降低数据集的相关性、消除冗余属性,由此实现了最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息,达到了提取出具有高判别力低维本质特征的目的.上述方法的特点是通过同时进行的正交化处理可避免局部子空间结构发生失真,采用三维图直观显示出低维结果,以低维特征子集输入最近邻分类器(K-nearest neighbor,KNN)的识别率和聚类分析之类间距Sb、类内距Sw作为衡量降维效果的指标.实验表明该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰,相应地识别准确率得到了明显提升.该研究可为解决高维和非线性机械故障数据集的可视化与分类问题,提供理论参考依据.

基于最大边距局部敏感鉴别分析的人脸识别

局部敏感鉴别分析(LSDA)是一种基于向量学习的提取特征的算法,该算法使得属于同一类的相邻数据经投影后尽量靠近,但不同类的邻近数据则相远离.在实际应用中,由于小样本问题,通常先利用PCA算法对原始数据进行降维处理,然后再使用LSDA算法提取特征.然而,这种方法会丢掉一些重要的鉴别信息.提出了最大边距局部敏感鉴别分析(MM-LSDA)算法,直接从原始数据中提取特征,避免了鉴别信息的损失,同时使得同类中的近邻数据尽量靠近,而不同类之间的样本远离.在ORL和Yale人脸库上的仿真实验表明此算法更有效.

基于局部敏感判别分析的路网状态特征提取模型研究

为简化路网状态表达,最大限度地实现路网信息增值,本文构建了从海量历史交通数据中提取特征参量来表达路网运行状态的模型.模型选取城市区域路网的流量、车速和密度数据,综合考虑交通数据的非线性和相关性,基于自适应邻域选择的局部敏感判别分析算法,实现城市路网数据特征提取.通过实例验证了模型的有效性.结果表明:本文得到的特征参量能有效地描述路网状态变化的24 h周期性,可直观反映早晚高峰现象及工作日与周末的区别性;与核主成分分析算法比较,模型得到的特征参量具有可分性更好的特点,可以表达宏观路网运行状态,为交通管理者提供决策依据.

基于局部敏感可鉴别组稀疏表示的视频语义分析

视频语义分析已经成为计算机领域的研究热点之一.为了提高基于稀疏表示的视频语义分析的准确性,文中结合基于稀疏系数的可鉴别函数和组稀疏模型,分析目前已有的局部敏感稀疏表示字典学习模型,提出一种基于局部敏感可鉴别组稀疏表示.该方法利用组稀疏模型和可鉴别损失函数,在保持数据局部结构的基础上实现样本变量组水平上的稀疏性.所提方法首先构建局部敏感组稀疏字典,然后进行稀疏表示分类.为了验证上述方法的有效性,在TRECVID 2012和OV视频库上,将上述方法与多种算法进行对比,实验结果表明,基于局部敏感的可鉴别组稀疏表示方法能够有效提高视频语义分析的准确率.

面向局部线性回归分类器的判别分析方法

局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法(locality-regularized linear regressionclassification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。