基于度量优化的保持邻域嵌入的人脸识别

监督的保持邻域嵌入算法采用欧氏度量选取k近邻。欧氏度量在数据维数较低时能获得较好的结果,但直接简单地将其从低维空间的应用推广到高维空间中不能取得较好的结果。针对该缺点,提出度量优化的保持邻域嵌入算法。该算法分为无类标号信息(MONPE)和有类标号信息(CLMONPE)2种情况,利用线性判别分析算法降维后的数据选取k近邻。在Yale人脸数据库上的实验结果表明,CLMONPE算法效果较优。

基于有监督保持邻域嵌入人脸识别

为了充分利用样本的类别信息,提高保持邻域嵌入算法在人脸识别中的识别性能,提出一种基于有监督保持邻域嵌入人脸识别方法(SNPE)。按照线性鉴别的思想,通过可调因子把类间散布矩阵和类内散布矩阵融入到保持邻域嵌入算法的目标函数中,从而可以获得人脸样本的最有鉴别力的特征,最后用最近距离分类器分类。在AR和FERET人脸数据库上实验结果证明了该算法的有效性。

一种邻域保持判别嵌入人脸识别方法

邻域保持嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构信息的能力。为了进一步提高NPE的性能,本文提出了一种邻域保持判别嵌入(NPDE)算法,并将其用于人脸识别。在NPDE算法中引入了数据集的判别信息,在保持局部邻域结构信息的同时,具有更强的判别力。在Yale和ORL人脸数据库上的实验结果表明,本文提出的NPDE用于人脸识别具有较高的识别率。

基于时序扩展的邻域保持嵌入算法及其在故障检测中的应用

针对动态自相关数据的特征提取和降维问题,提出了一种基于时序扩展的邻域保持嵌入(TNPE)的故障检测方法。针对邻域保持嵌入算法的不足,构建了新的优化目标,在构建局部空间结构特征的基础上,同时提取了数据随时间变化的动态特征。使得投影得到的低维空间不仅和原始变量空间具有相似的空间局部近邻结构,而且具有相似的时序动态结构,因而包含了更多的特征信息。在此基础上,利用TNPE算法将原始过程数据划分为特征空间和残差空间,并分别建立T2和SPE统计量实现工业过程监测。通过对Tennessee Eastman(TE)过程的仿真研究,验证了TNPE算法有效性可行性,并显示出了优越的故障检测能力。

基于正交邻域保持嵌入特征约简的故障诊断模型

提出一种基于正交邻域保持嵌入(orthogonal neighborhood preserving embedding,ONPE)特征约简的故障诊断模型。首先将原振动信号经验模式分解(empirical mode decomposition,EMD)并构造Shannon熵得到高维特征向量,再利用ONPE将高维特征向量约简为低维特征向量,并输入到最近邻分类器(k-nearest neighbors classifier,KNNC)中进行故障识别。本模型充分利用了EMD分解在故障特征提取、ONPE在信息压缩和KNNC在分类决策方面的优势,实现了旋转机械故障特征提取到故障诊断的全程自动化,并提高了诊断精度,为旋转机械故障诊断提供了一种新的模型分析方法。一个滚动轴承故障诊断实例验证了该模型的有效性。

多邻域保持嵌入的人脸识别方法

现有流形学习算法在学习人脸数据时,假设所有数据点位于单一低维嵌入流形之上,当数据点实际分布在不同的流形上时,单流形假设就会影响数据真实空间结构。为此提出一种基于多邻域保持嵌入(multiple neighborhood preserving embedding,M-NPE)的学习算法来发现不同类别数据在不同维度的低维嵌入空间中分布的多流形结构。首先,单独学习不同类别数据的流形,得到反映其本质特征的流形;再通过遗传算法搜索每个流形的最优维数;最后依据最小重构误差分类器对样本分类。在Extended Yale B和CMU PIE这2个大型人脸库上实验结果验证了该算法的有效性。

一种改进的邻域保持嵌入高光谱影像分类方法

为进一步提高邻域保持嵌入算法(NPE)在高光谱影像分类中的识别性能,提出一种改进的半监督邻域保持嵌入(SSNPE)算法。首先,该算法在NPE算法的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构。然后,通过增加近邻标记样本的权重加大降维数据的鉴别性。最后,通过利用k近邻分类器(KNN)对样本进行分类得到该算法在数据集上的分类性能。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度相比其他算法提高了约8.3%、6.2%以上,分类性能上有了较为明显的提高。

局部时差约束邻域保持嵌入算法在故障检测中的应用

传统的邻域保持嵌入(neighborhood preserving embedding,NPE)算法通过k近邻(k-nearest neighbors,k-NN)方法选择邻域进行重构来实现降维。但在实际工业过程中采集的样本具有时序相关性,仅仅通过欧氏距离选择近邻样本不能充分反映数据中包含的信息,从而影响检测效果。因此,提出一种局部时差约束邻域保持嵌入(local time difference constrained neighborhood preserving embedding,LTDCNPE)算法,充分考虑样本间的时间和空间关系,从而建立准确的故障检测模型。首先,该算法在固定尺度的时间窗内,根据样本的时序关系和空间特征挑选出邻域。其次,利用样本间的时间差异为邻域样本进行加权,使数据特征保留了高维空间的局部结构。然后,对降维后得到的主元空间和残差空间构建T和SPE统计量并确定控制限。最后,通过数值例子和Tennessee Eastman(TE)过程仿真验证LTDCNPE算法的有效性。

基于邻域保持嵌入算法的间歇过程故障检测

该文针对间歇过程数据的高维非线性特征以及传统数据预处理方法的不足,提出了一种基于即时学习的邻域正交保持嵌入(ONPE)算法。ONPE算法是一种基于几何思想来描述数据特征的维度约简算法,目的在于保持过程数据的局部特性,适用于非线性系统,能更好地提取数据分布特征和本质信息。另外,针对间歇过程的时变特性和多时段特性,该文将即时学习算法应用其中,通过监控统计量T2和SPE检测故障。最后通过对青霉素生产过程进行仿真证明能够取得良好的监控性能和预测性能。

半监督邻域保持嵌入在高光谱影像分类中的应用

为了解决高光谱遥感影像的维数约简问题以提高分类算法的分类精度,并针对高光谱影像通常只包含少量标记样本的问题,提出了基于一种半监督邻域保持嵌入(SSNPE)和改进的KNN分类器的高光谱影像分类算法。该算法在NPE的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构,并且通过增加标记近邻样本的权重加大降维数据的鉴别性,进而增加k近邻分类器的样本分类精度。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度提高了约8.7%、3.6%以上,分类性能有了较明显的改善。

正交及不相关边界邻域保持嵌入的人脸识别

邻域保持嵌入（NPE）算法本质上仍是一种无监督方法，并没有有效利用已有的类别信息提高分类效率。为此提出两种有监督流形学习方法：正交边界邻域保持嵌入（OMNPE）和不相关边界邻域保持嵌入（UMNPE）。首先构造类内和类间邻接图，并定义类内和类间重构误差；然后分别在正交和不相关约束条件下寻找最小化类内重构误差同时最大化类间重构误差的投影向量；将训练样本和测试样本分别投影到低维子空间中，再利用最近邻分类器进行分类识别。在ORL和Yale人脸库上的实验结果表明，与线性判别分析（LDA）、边界Fisher分析（MFA）等子空间人脸识别算法相比，所提算法的平均识别率提高了0．5％-3％，验证了算法的有效性。

基于邻域保持嵌入算法的语种识别

语种识别中现有的总变化因子分析仅能反映语音数据的整体结构,不能挖掘其局部内在结构信息,并且未考虑训练语音数据的语种类别。针对此问题,提出了基于邻域保持嵌入算法的语种识别,通过构建邻接图以获得语音数据的局部邻域结构,同时通过有监督训练有效利用语音数据的语种标注信息。在2011年美国国家标准与技术研究院语种识别评测的30 s和10 s测试集上进行了对比实验。实验结果表明,邻域保持嵌入算法能够有效弥补总变化因子分析的不足,可明显提高系统的识别性能。

完备正交邻域保持判别嵌入的人脸识别

为解决邻域保持判别嵌入算法所面临的小样本问题,并充分利用类内邻域散度矩阵零空间和非零空间中的判别信息进行人脸识别,提出一种完备正交邻域保持判别嵌入的人脸识别算法。首先间接地利用特征分解方法去除总体邻域散度矩阵的零空间;然后分别在类内邻域散度矩阵零空间和非零空间中提取最优判别矢量。此外,为进一步提高算法的识别性能,给出了基于瘦QR分解的正交投影矩阵的求解方法。在ORL和Yale人脸库上验证了以上算法的有效性。

核邻域保持判别嵌入在人脸识别中的应用

为更有效地进行数据降维,将核映射思想引入到邻域保持判别嵌入中,提出一种核邻域保持判别嵌入的流形学习算法。以类内相似度矩阵与类间散度矩阵之差作为鉴别准则,使类间散度矩阵不受满秩的约束,从而解决人脸数据的非线性和小样本问题。在ORL和Yale人脸库上的实验结果表明,该算法具有较好的人脸识别性能。

一种加权的分块邻域保持嵌入人脸识别算法

在人脸识别中,传统的子空间识别算法将整幅人脸图像作为输入模式。但是,当人脸图像的光照、姿态和表情变化较大时,仅考虑图像的全局特征,识别的效果不够理想。为此,论文提出一种加权的分块邻域保持嵌入人脸识别算法。算法先对人脸图像进行分块,对分块得到的子图像利用邻域保持嵌入算法分别提取特征信息,并利用Geman-Mc Clure函数和类标信息计算各分块子图像的权重。该算法能够增强分类效果,对表情、光照、姿势等变化具有鲁棒性,在ORL和Yale人脸数据库上对论文的提出的算法进行了验证。

基于正交邻域保持嵌入与多核相关向量机的滚动轴承早期故障诊断

针对滚动轴承早期故障特征微弱难以快速有效辨识的问题,提出一种基于正交邻域保持嵌入(ONPE)与多核相关向量机(RVM)的滚动轴承早期故障诊断方法。首先基于多域量化特征构造表征滚动轴承早期故障的多域特征向量,基于ONPE线性流形学习对多域特征向量进行约简降维处理,获取最能反映滚动轴承早期故障运行状态变化的低维敏感特征,随后将获取的低维敏感特征输入给多核RVM进行早期故障模式的分类辨识。通过分析滚动轴承早期故障的模拟实验数据表明,该方法对高维复杂的非线性早期故障特征具有良好的约简降维性能,而且比单一核函数RVM具有更好的诊断精度。

基于核邻域保持判别嵌入的人脸识别

为了提取高维人脸图像中的非线性特征,提出一种新的非线性降维方法:核邻域保持判别嵌入算法(KNP-DE).为了表示特征空间中类间邻域结构和不同类样本间的相似度,分别构建类内邻接矩阵和类间相似度矩阵.通过使用核技巧,KNPDE将邻域保持嵌入(NPE)和Fisher判别准则相结合,在保持特征空间中类内邻域结构的同时充分利用类间判别信息,从而具有更强的分类能力.在Yale和UMIST人脸库上的试验结果进一步表明了该算法的有效性.

基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法

针对转子故障特征数据集降维问题,提出一种基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法——Schur-ONPE降维方法。该方法首先应用小波包分解提取不同频带内的能量以组成故障特征值集合,然后运用Schur分解和ONPE算法将高维特征集向低维投影,使降维后类内散度最小化及类间分离度最大化,最后将降维后得到的低维特征集输入K近邻分类器进行模式识别。通过双跨转子试验台的故障特征数据集进行验证,结果表明该方法能够有效地解决转子故障特征集的降维问题。

基于二维邻域保持判别嵌入的人脸识别

提出二维邻域保持判别嵌入(2DNPDE)算法,该算法是一种有监督的基于二维图像矩阵的特征提取算法.为表示样本的类内邻域结构和类间距离关系,分别构建类内邻接矩阵和类间相似度矩阵.2DNPDE所获得的投影空间不但使不同类数据点的低维嵌入相互分离,而且保留同类样本的邻域结构和不同类样本的距离关系.在ORL和AR人脸数据库上的实验表明,该算法具有更好的识别效果.

基于QR分解的正则化邻域保持嵌入算法

针对训练样本不足时,对数据的低维子空间估计可能会产生严重偏差的问题,提出了一种基于QR分解的正则化邻域保持嵌入算法。首先,该算法定义一个局部拉普拉斯矩阵保留原始数据的局部结构;其次,将类内散度矩阵的特征谱空间划分成三个子空间,通过倒数谱模型定义的权值函数获得新的特征向量空间,进而对高维数据进行预处理;最后,定义一个邻域保持邻接矩阵,利用QR分解获得的投影矩阵和最近邻分类器进行人脸分类。与正则化广义局部保持投影(RGDLPP)算法相比,所提算法在ORL、Yale、FERET和PIE库上识别率分别提高了2个百分点、1.5个百分点、1.5个百分点和2个百分点。实验结果表明,所提算法易于实现,在小样本(SSS)下有较高的识别率。