基于PA-VME与SPP的机械设备故障诊断方法的研究

针对传统的故障识别方法存在信号质量低和诊断精度差等问题,提出一种参数自适应变分模式提取(PA-VME)和稀疏保持投影(SPP)相结合的数据驱动机械故障诊断新方法。结合相关系数、L-峭度和信息熵构造一个新的指标L_(FCI)并将其作为适应度函数,采用粒子群算法对变分模式提取的内部参数进行优化,从而形成PA-VME模型并将其用于振动信号的模式分解;根据构造的指标能够反映信息有序度的原则,选取有效的模式分量并计算得到高维特征数据集;利用SPP将数据集通过权重矩阵投影到低维空间,实现对高维特征数据的降维和聚类分析。通过对仿真信号和实验台的故障信号进行分析,证明其对不同类型机械故障的识别精度可以达到96.87%。

基于一种小波核优化学习的KSPP子空间故障特征提取

针对电子系统故障诊断中有效特征提取困难、核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自优化小波核稀疏保持投影的子空间特征提取方法。通过对核极化准则的改进,使得新准则不仅可以处理多类别信息,而且可以保留同一类别数据间的局部结构特征。以墨西哥帽小波核函数为对象,基于改进的核评估准则构建优化目标函数,并采用粒子群优化算法进行核参数选择;将优化的小波核作为核稀疏保持投影的核函数,最终实现了在核子空间中对有效特征的提取。实验结果表明,相比于其他流行的子空间特征提取方法,提出的方法有效提升了分类精度,具有良好的泛化性能。

基于HOG特征和DSPP降维的人脸识别算法

稀疏保留投影(SPP)是一种以保持数据的稀疏表示结构为目的的降维方法,该方法仅考虑了数据的稀疏重构关系而没有充分利用样本的类别信息。为提高分类识别性能,提出一种有监督的判别稀疏保留投影方法(DSPP)。首先在构建样本的稀疏重构关系时,通过样本系数和类内样本平均系数的差来重新表示类内紧凑度,同时考虑不同类样本的类别信息和相同类样本的类内紧凑度信息,优化得到具有较强鉴别能力的稀疏表示系数;再通过最小化重构误差准则来得到最优投影,从而提取有效的人脸信息;最后用稀疏表示分类方法进行人脸分类识别。HOG算子可以很好地表征人脸图像的局部特征同时有很好的鲁棒性,文中在HOG算子提取图像特征的基础上,用DSPP方法对图像特征降维后再进行人脸识别分类。实验结果表明,结合HOG特征和DSPP算法的人脸识别在Extended Yale B和LFW库上的平均识别率分别达到98.33%和77.93%,相比其他方法有较好的识别结果。

基于锚点策略的快速无监督特征选择算法

针对传统采用稀疏正则化方法的无监督特征选择算法相似图构建效率不高、优化过程引入正则参数等问题,提出了一种基于图学习锚点嵌入策略的快速无监督特征选择算法。利用局部保持投影思想探索数据内部几何流形结构,约束投影正交方向增强线性映射和数据重构能力;采用基于锚点策略构建原始数据相似图,快速学习相似度矩阵;通过L 2,0范数结构化稀疏投影矩阵精确选择具有代表性的特征子集;设计了一个有效迭代算法求解目标函数问题。在4个公开数据集上的对比实验表明算法的有效性。

基于鉴别稀疏保持嵌入的人脸识别算法

鉴于近年来稀疏表示(Sparse representation,SR)在高维数据例如人脸图像的特征提取与降维领域的快速发展,对原始的稀疏保持投影(Sparsity preserving projection,SPP)算法进行了改进,提出了一种叫做鉴别稀疏保持嵌入(Discriminant sparsity preserving embedding,DSPE)的算法.通过求解一个最小二乘问题来更新SPP中的稀疏权重并得到一个更能真实反映鉴别信息的鉴别稀疏权重,最后以最优保持这个稀疏权重关系为目标来计算高维数据的低维特征子空间.该算法是一个线性的监督学习算法,通过引入鉴别信息,能够有效地对高维数据进行降维.在ORL库、Yale库、扩展Yale B库和CMU PIE库上的大量实验结果验证了算法的有效性.

稀疏保持典型相关分析及在特征融合中的应用

稀疏保持投影(Sparsity preserving projections,SPP)由于保持了数据间的稀疏重构性,因而获取的投影向量满足旋转、尺度和平移的不变性,并能够在无标签的情况下提取样本的自然鉴别信息,在人脸识别领域取得了较为成功的应用.本文在典型相关分析(Canonical correlation analysis,CCA)的基础上引入稀疏保持项,提出一种稀疏保持典型相关分析(Sparsity preserving canonical correlation analysis,SPCCA).该方法不仅实现了两组特征集鉴别信息的有效融合,同时对提取特征间的稀疏重构性加以约束,增强了特征的表示和鉴别能力.在多特征手写体字符集与人脸数据集上的实验结果表明,SPCCA比CCA具有更优的识别性能.

鉴别稀疏保持投影的人脸识别算法

在人脸识别领域中遇到的数据往往是高维的,一般会导致维数灾难问题.近年来稀疏表示(Sparse representation,SR)在处理人脸识别等问题时显示出一定的有效性,而后出现的稀疏保持投影(Sparse preserving projections,SPP)算法又以保持数据的稀疏表示结构为目的成功应用于人脸识别领域,但仍存在一些问题.本文针对SPP算法在人脸识别中存在的问题进行了改进,提出了一种叫做鉴别稀疏保持投影(Discriminant sparsity preserving projection,DSPP)的算法.该算法有以下两方面的改进:(1)针对SPP算法未能有效地利用类标签信息的问题,本文利用最大散度差准则(Maximum scatter difference criterion,MSDC)重建SPP算法的目标函数;(2)针对SPP算法计算复杂度高的问题,本文利用带有相同类标签的训练样本用于稀疏重构.在ORL库、CAS-PEAL库、IMM库上的大量实验结果验证了算法的有效性.

基于稀疏保持判别嵌入的人脸识别

最近,人们对高维数据(例如人脸图像)潜在的稀疏表征结构有很大兴趣。提出一种称为稀疏保持判别嵌入(SPDE)新降维算法,该算法在稀疏保持投影(SPP)的目标函数中增加了改进的最大间距准则(MMMC)。SPDE保留了SPP的保持稀疏结构特性,利用了MMMC的全局判别结构。SPDE合并了稀疏准则和Fisher准则,具有更强的判别力,尤其训练集小的时候,更适合于人脸识别任务。SPDE能够自然地避免小样本问题并且计算是有效的。在3个公共人脸数据库(ORL、Yale以及FERET)上的实验结果表明SPDE对人脸识别是有效的和可行的。

核稀疏保持投影及生物特征识别应用

稀疏表示系数包含较强的鉴别信息,稀疏保持投影(Sparsity Preserving Projections,SPP)利用稀疏表示系数进行特征提取.本文通过核方法获取高维特征空间的核稀疏表示系数,并利用核稀疏表示系数构造邻接矩阵,提出核稀疏保持投影(Kernel Sparsity Preserving Projections,KSPP).核稀疏表示系数比稀疏表示系数包含更强的鉴别信息,因此KSPP可以比SPP提取更有效的鉴别特征.在多个数据库上的生物特征识别实验,KSPP都取得了不错的实验结果.

一种可鉴别的稀疏保局投影算法

为了增强高维数据在低维子空间中的模式识别能力,假设任意2个类别相同的相似样本其稀疏表示也相似,并基于SPP和LPP思想,提出一种可鉴别稀疏保局投影降维新方法 DSLPP.该方法通过稀疏表示学习和保局部投影,使得在投影子空间中不仅能够保持稀疏表示对数据很好的表达能力,而且较好地获取高维数据所蕴含的本质局部流形结构和自然判别信息,从而增强高维数据在子空间中的表示能力和可鉴别能力.在3个典型的人脸数据集Yale,ORL和PIE29上,将所提出方法 DSLPP与PCA,LPP,NPE和SPP进行对比试验.结果表明DSLPP是一种有效的降维方法,能够较好地改善高维数据在低维子空间中的分类效果.

全局加权稀疏局部保留投影

针对稀疏保留投影(SPP)算法运行时间较长并且忽略了样本的类间差异信息的问题,在稀疏保留投影算法的基础上,提出了全局加权稀疏局部保留投影(GWSLPP)算法。该算法在保持样本的稀疏重构关系的同时,使样本具有很好的鉴别能力,算法通过对样本进行稀疏重构处理;然后对样本进行投影并且最大化样本的类间散度;最后利用得到的投影将样本分类。该算法分别在FERET人脸库和YALE人脸库上进行实验。实验结果表明,全局加权稀疏保留算法在执行时间和识别率综合性能上,优于局部保留投影(LPP)、SPP和FisherFace算法,执行时间只有25 s,识别率能达到95%以上,实验数据验证了算法的有效性。

基于流形学习的整体正交稀疏保留鉴别分析

稀疏保留投影是一种有效的特征提取方法,但是其主要关注样本间的全局稀疏重构关系,并且得到的投影变换通常不是正交的。在实际应用中,图像数据往往处于高维空间中的一种低维流形中,正交性一直被认为有利于提高鉴别能力。文中以有监督学习的方式在稀疏保留投影中引入了流形结构保留,并使得投影空间正交,从而提出了一种新的特征提取方法,即基于流形学习的整体正交稀疏保留鉴别分析(MLHOSDA)。在人脸和掌纹图像数据库的实验结果表明此方法具有较好的识别效果。

基于稀疏保留投影的人脸表情识别

提出一种基于稀疏保留投影的人脸表情识别方法。通过稀疏重构处理,在保留表情稀疏重构信息的同时也保留表情局部邻信息,可从原始表情数据中提取更多有效且具判决性的内在表情特征,获得的投影也较稳定。基于JAFFE和CED-WYU 2个表情数据库的识别结果表明,该方法能有效提高人脸表情识别率。

成对约束指导的稀疏保持投影

针对稀疏保持投影的稀疏重构过程中监督信息不足的问题,提出一种成对约束指导的稀疏保持投影算法。该算法在训练样本数据的稀疏重构的过程中,通过引入正约束和负约束监督信息指导稀疏重构,使得稀疏保持投影有效地融合了约束监督信息。在UMIST、YALE和AR人脸库人脸数据集上的实验结果表明,与无监督的稀疏保持投影相比,该方法提高了基于最近近邻分类算法的5%～15%识别准确率,有效地提高了降维分类性能。

基于改进的稀疏保持投影的SAR目标特征提取与识别

提出了一种改进的稀疏保持投影(Sparsity Preserving Projections,SPP)特征提取方法。该方法将SPP特征提取与局部保持投影(Locality Preserving Projection,LPP)特征提取思想相结合,构造新的目标函数求解投影向量,保证了投影空间内样本的稀疏重构误差达到最小的同时使同类样本间距最小。利用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)实测SAR数据进行实验,实验结果表明在不利用目标成像方位信息情况下平均识别率最高可达97.81%,明显地提高了目标的识别结果,是一种有效的SAR目标识别方法。

稀疏保留投影及在表情识别中的应用

提出一种基于稀疏保留投影的人脸表情识别方法,称之为SPP。与局部保留投影(LPP)不同,SPP通过稀疏重构处理,在保留表情稀疏重构信息的同时也保留表情局部邻信息,这样可从原始表情数据中提取更多、更有效、更具判决性的内在表情特征,获得的投影也更稳定。基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明,基于SPP的特征提取方法能有效地提高识别率。

基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法

针对水下目标识别特征样本集高维小样本问题,提出了基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法。该方法用多特征集典型相关分析算法对多域特征的整体相关程度进行定量分析,去除冗余和噪声特征,实现多域特征的融合,并利用多核稀疏保持投影算法,对提取的多域特征样本的稀疏重构性加以约束,增强了特征的判别能力。利用实测舰船辐射噪声数据验证基于核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法的有效性,与多特征集典型相关分析方法和核稀疏保持投影典型相关分析方法进行了对比,实验研究表明,提出的方法可以有效去除冗余和噪声特征,实现多域水下目标特征的融合,提高水下目标的识别正确率。

判别稀疏保持嵌入及其在人脸识别中的应用

稀疏保持投影(SPP)是最近提出的稀疏子空间学习方法,该方法的目标是保持数据的稀疏结构关系。然而,SPP是无监督并且不适合分类任务。为了提取判别人脸特征,提出一种新的判别稀疏保持嵌入(DSPE)算法。DSPE在SPP的目标函数中引入了Fisher准则,强调了判别信息;另一方面,用施密特正交化获得人脸子空间的正交基向量,进一步增强了算法的识别性能。在ORL和FERET人脸库上的实验结果表明,本文提出的DSPE在特征提取和分类识别方面有更好的效果。

局部和稀疏保持无监督特征选择法

利用局部保持投影和稀疏保持投影来刻画数据的本质结构,结合L2,1范数的组稀疏性来选择特征,提出一种新的针对高维小样本数据集的无监督特征选择算法.实验表明:局部和稀疏保持无监督特征选择法是一种有效的无监督特征选择方法;平衡参数对实验结果有较大的影响.

监督型稀疏保持投影

稀疏保持投影(SPP)是最近提出的一种无监督降维方法,因此无法利用标号数据提供的监督信息。为此,对SPP进行了扩展,给出了两种监督型稀疏保持投影算法:基于稀疏保持的判别分析(SPP+LDA)和监督稀疏保持投影(S2PP)。前者通过在SPP变换的子空间内进行线性判别分析(LDA)达到利用数据间稀疏重建关系和监督信息的目的;后者借助数据标号直接修正SPP构建的稀疏重建图在SPP中自然地融入监督信息。分析了两种算法的优缺点,在两个常用的人脸数据集(Yale和AR)上验证了两者的可行性及有效性。