典型相关分析的局部保持投影算法

针对传统子空间线性分析方法无法准确地描述样本具有的流形结构的问题,依据典型相关分析算法和局部保持投影算法的理论,将两种算法结合起来,提出了限制类别的典型相关分析的局部保持投影算法,该算法通过引入类信息,在区分了样本类信息的基础上,又保持样本类内的局部信息结构,而且还使两组样本间达到最大相关化以及各个特征投影之间具有不相关性,极大地提高了算法的识别率.该算法分别在YALE人脸库和AR人脸库上进行实验,识别率最高可达98%.

基于凸轮权重距离局部保持投影算法的人脸识别

结合凸轮(Cam)权重距离和局部保持投影算法,提出了一种改进的凸轮权重距离局部保持投影法。该算法主要将局部保持投影算法在选取近邻点并构造加权图时采用的欧式距离用凸轮权重距离代替,克服了处理高维数据中数据分布不均匀的问题。运用该改进的算法对人脸图像进行特征提取,与局部保持投影算法和正交局部保持投影算法进行实验比较,结果证明,用改进的凸轮权重局部保持投影法进行人脸识别得到的识别率更高,算法的性能效果更好。

基于Cam权重正交局部保持投影算法的人脸识别研究

结合凸轮(Cam)权重距离和正交局部保持投影算法,提出了一种改进的Cam权重正交局部保持投影法。该算法将Cam权重距离代替正交局部保持投影算法在构造邻接图时采用的欧式距离,克服了处理高维数据中数据分布不均匀的问题。运用该改进算法对人脸图像进行特征提取,与局部保持投影算法和正交局部保持投影算法进行实验比较,结果证明,用改进的Cam权重正交局部保持投影法进行人脸识别得到的识别率更高,算法的性能效果更好。

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。

基于极小准则的完备正交判别局部保持算法

以无监督判别投影算法为理论基础,提出了一种基于极小准则的完备正交判别局部保持投影算法。算法首先根据同类样本的空间信息重新定义了类内局部保持散度矩阵与类间局部保持散度矩阵,然后借鉴无监督判别投影算法的目标函数,推导出一个基于极小准则的目标函数,该目标函数通过投影到总体散度矩阵的非零空间中有效地解决小样本问题,最后给出了该算法基于QR分解的正交投影矩阵的求解方法。人脸库上的实验结果表明了所提方法的有效性。

核映射和Rank-Order距离的局部保持投影相似性度量方法

针对近红外光谱高维、高冗余、非线性和小样本等特点导致光谱相似性度量时出现的“维度灾难”,提出一种基于核映射和rank-order距离的局部保持投影(KRLPP)算法。首先将光谱数据经过核变换映射到更高维空间,有效保证了流形结构的非线性特征。然后改进局部保持投影(LPP)算法对数据进行降维操作,将rank-order距离替代传统的欧氏距离或测地线距离,通过共享邻近点的信息,得到更加准确的局部邻域关系。最后在低维空间通过距离的计算实现光谱的度量。该方法不仅有效解决了高维空间存在的“距离失效”问题,同时还提高了相似性度量结果的精度。为了验证KRLPP算法的有效性,首先根据降维前后数据集信息残差的变化确定了最佳参数近邻点的个数k和降维后的维数d。其次,从光谱降维投影效果和模型分类效果两个角度与PCA,LPP和INLPP算法进行了对比,结果表明KRLPP算法对于烟叶的部位有较好的区分能力,降维效果以及对于不同部位的正确识别率明显优于PCA,LPP和INLPP。最后,从某品牌卷烟叶组配方中选取了5个代表性烟叶作为目标烟叶,分别采用PCA,LPP和KRLPP方法从300个用于配方维护的烟叶样品中为每个目标烟叶寻找相似烟叶,并从化学成分和感官评价两方面对替换前后的烟叶及叶组配方进行了评价分析。其中LPP和KRLPP用于降维的参数选择保持一致,PCA选择前6个主成分。结果表明,由KRLPP选出的替换烟叶与替换配方在总糖、还原糖、总烟碱、总氮等化学成分以及香气、烟气、口感等感官指标上较PCA、LPP方法差异最小,相似性度量准确度最高。该方法可应用于配方产品替换原料的查找,辅助企业实现产品质量的维护。

联合矩阵局部保持投影的近红外光谱特征提取

近红外光谱存在高维、噪声大、重叠和非线性等特性,严重影响建模准确,因此提出了一种基于联合矩阵局部保持投影(JMLPP)的特征提取方法。首先,利用基于聚类的光谱特征选择方法对原始近红外光谱数据进行有效特征提取,按种与分类相关性强的指标将样本分为种不同的聚类方式,依据类内关联性强,类间差异性大的聚类思想,通过调节类内参数、类间参数确定类内阈值与类间阈值,分别对种不同聚类方式筛选光谱特征区间,得到指标特征矩阵,并集操作生成联合矩阵。其次,从两个方面对局部保持投影算法(LPP)进行了改进:引入测地距离构造邻域距离矩阵,较欧式距离更好的表达了高维数据样本点间的拓扑结构;改进了边权矩阵,解决了样本稀疏导致的不确定性,避免了有效信息的丢失。最后,采用改进的LPP算法对联合矩阵进行降维操作,从而得到最优光谱特征子集。为验证JMLPP算法有效性,首先从光谱投影方面将该算法与PCA、 LPP算法进行了对比,结果表明JMLPP算法有较好的等级区分能力,投影空间中的烟叶样品分类清晰,明显优于PCA与LPP算法。其次从模型分类准确性方面进行了对比,分别采用全谱段与PCA, LPP和JMLPP降维后的特征建立烟叶等级分类模型,实验结果表明, JMLPP算法建立的分类模型准确率为93.8%,对5种烟叶分级的敏感度分别为95.2%, 93.1%, 94.2%, 92.1%和92.5%,特异度分别为99.3%, 98.4%, 98.6%, 97.5%和97%,模型准确率、敏感度与特异度均明显优于其他3种方法。该算法通过基于聚类的特征提取和改进的局部保持投影算法实现了烟叶分级特征的有效提取,并保留原始数据的局部线性关系,使最终建立的模型具有良好的稳定性和较高的准确性。

采用规范化局部保持投影的轴承故障诊断方法

针对轴承故障检测中特征融合导致的维度高、相关性强等问题,提出一种采用规范化局部保持投影算法(LPP)的轴承故障诊断(En-LPP)方法。首先,采用熵规范化的方法将相似度矩阵结合到传统LPP算法的优化函数中,与投影向量一并求解,得到一种规范化LPP降维算法;然后对原始轴承振动信号进行小波变换和经验模式分解得到10条信号分量,每个分量通过计算平均值、均方根等,提取12维统计特征,经归一化后生成特征向量;然后将特征向量输入到规范化LPP降维算法中进行迭代共同求解,得到满足终止条件的相似度矩阵和投影向量;最后利用降维后的特征集训练极限学习机模型确定轴承最终工作状态以实现故障检测。实验结果表明:与传统LPP方法以及其他降维方法相比,所提出的En-LPP方法对于轴承故障诊断的性能更好;在小波变换72维特征集合以及经验模式分解48维特征集合下的分类精度平均提升了7%以上;在4种不同分类器组合下的分类精度平均提升了17%以上;较好的降维特征区分能力使得En-LPP方法的故障诊断性能在不同条件组合下均具有很好的鲁棒性。

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能,需对其进行有效分类,以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题,提出了基于改进的局部保持投影的备件分类方法。首先,根据战时备件分类储备的影响因素,作为备件分类的特征指标,其次,利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维,得到低维特征向量。再利用支持向量机(support vector machine,SVM)的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优,提升备件分类精度,得到满足备件分类准确率最优时的降维维数和分类器参数。最后,通过对演习装备备件分类的实例分析,验证了模型的可行性和合理性,并对比分析了其他分类方法,表明该方法能够较好地解决战时备件分类的问题。

基于谱回归判别分析的LPP算法

判别局部保持投影DLPP算法在计算过程中需要解决稠密矩阵特征分解问题,这使得该算法在时间和内存上消耗都非常高。谱回归判别分析SRDA算法可以有效的节省时间和内存的消耗。基于SRDA,提出一种改进的局部保持投影LPP算法——谱回归判别局部保持投影算法SRDLPP。实验结果表明,该算法可以提高识别率,同时降低时间和内存消耗。

用于动态化工过程故障检测的T-TELPP算法

工业过程具有高复杂性、动态性等特点。在特征提取时,引入时滞因子扩展时序矩阵可以解决现场变量带有的自相关与互相关特性问题。特征提取算法处理三阶张量形式的扩展数据时需要将三阶张量在某一方向向量化,这将破坏原始数据内在二维结构信息。对此,本文提出了基于张量空间的时序扩展局部结构保持算法(Tensor-Temporal Extension Locality Preserving Projection,T-TELPP)。首先,改进局部保持投影(LPP)算法得到时序扩展的LPP算法(TELPP),使其充分提取欧氏空间近邻与时序近邻信息;然后,将TELPP扩展到张量空间得到T-TELPP算法。T-TELPP直接将动态扩展数据投影到特征空间与残差空间,并分别建立T2和SPE统计量。对田纳西-伊斯曼(Tennessee Eastman,TE)过程进行监测,通过与PCA、DPCA和DLPP算法对比,验证了T-TELPP算法在动态过程监测上的有效性与优越性。

基于Gabor小波和LPP的浮选过程泡沫纹理特征提取及应用

针对Gabor小波进行特征提取时易造成维数灾难和识别效率不高的问题,提出一种基于Gabor小波滤波和局部保持投影(LPP)降维算法相结合的泡沫纹理特征提取方法.首先,利用Gabor滤波器获得原始泡沫图像5个尺度和8个方向的高维特征描述向量;然后,利用LPP算法得到降维特征向量;最后,利用此降维特征向量通过反向传播(BP)神经网络进行不同工况下泡沫类别的识别,进而指导实际矿物浮选生产.实验结果表明,相对于传统的GLCM方法和Gabor小波纹理特征提取方法,该方法可有效降低泡沫纹理特征向量维数并具有更高的识别效率.

基于光谱梯度角的高光谱影像流形学习降维法

为了挖掘高光谱数据的光谱局部特征,从高光谱遥感数据内在的非线性结构出发,提出了一种基于光谱梯度角的高光谱影像流形学习降维方法。采用局部化流形学习算法局部保持投影(LPP)对高光谱遥感数据进行非线性降维,对距离度量进行改进,将能够更好刻画高光谱影像光谱局部特征的光谱梯度角相似性度量应用于LPP方法,并用真实高光谱图像进行降维实验,取得了优于LPP方法和采用光谱角的LPP方法的结果。结果表明,在光谱规范化特征值方面,所提方法优于LPP方法和采用光谱角的LPP方法;在信息量的保持方面,具有更好的局部细节信息保持量。采用光谱梯度角的流形学习方法用于高光谱影像降维能取得较好的降维效果。

基于人脸识别技术的图书馆门禁系统的研究

通过对人脸识别技术与其他身份识别技术的对比,分析不同技术之间的优缺点,进而提出基于人脸识别的图书馆门禁系统优于传统图书馆门禁系统,同时对系统的组成结构、工作原理、算法代码编写流程以及系统测试等进行了研究。传统图书馆门禁系统存在三个关键问题:存在不安全隐患、存在5%左右的误识率和识别速度慢。针对上述三个关键问题分别提出了解决方案。由于人脸识别技术有着"人脸无法替代"、非侵犯性的特性,因此将人脸识别技术应用于图书馆门禁系统,排除了传统图书馆门禁系统存在安全隐患的现象;从系统设备选型、网络设计、软件设计方面提升了人脸识别终端机对人脸的识别率;由于人脸的识别时间小于1 s,从根本上解决了图书馆门禁系统识别速度慢的问题。

基于统计差分LPP的多模态间歇过程故障检测

针对工业过程数据存在的非高斯和多模态特性,提出一种基于统计差分LPP的多模态间歇过程故障检测方法。该方法将统计模量分析的方法应用到间歇过程训练数据集中,计算统计过程变量的均值和方差,将不等长的批次变成等长的统计量,保证统计模量近似服从高斯分布;然后运用差分算法使多模态变为单模态;最后运用LPP算法进行降维和特征提取,计算样本的T^2统计量,并利用核密度估计确定控制限。对于新来的测试样本数据统计差分处理后,向LPP模型上进行投影,计算新数据的T^2统计量并与控制限比较进行故障检测。最后通过半导体过程数据的仿真结果表明,该算法的故障检测效果最好,验证了所提方法的有效性。