基于局部保留投影的稀疏中智聚类算法

聚类算法是机器学习领域重要的研究课题之一,传统的中智聚类算法(例如FC-PFS算法)未考虑局部空间结构,且距离的计算受到冗余特征影响,不能有效处理高维数据集。为此,提出一种新的基于局部保留投影的稀疏中智聚类算法(LPSNCM)及其优化方法。一方面LPSNCM算法通过局部保留投影方法生成具有局部结构信息的正交投影空间,另一方面通过特征提取方法可以减少特征数量以获得更有效的特征,从而增强了FC-PFS算法处理高维数据的能力。LPSNCM算法也可以被看作是谱聚类两个独立阶段的统一模型。在一些基准数据集上的实验结果表明,与FC-PFS和某些最新方法相比,证明了LPSNCM的有效性。

基于全局局部保留投影与测地距离的气化炉故障检测方法

高温、高压、强腐蚀工作环境下的气化炉易发生仪表测量故障,进而影响煤制油、煤制甲醇等生产工艺,甚至危及人员安全。针对上述问题,提出了一种基于全局局部保留投影(global-local preserving projection,GLPP)算法与测地距离的气化炉故障检测方法。首先,采用GLPP算法提取样本邻域确定的数据局部特征;然后,提出一种基于测地距离度量样本的非近邻关系的数据全局特征提取方法;进一步,利用提取的全局特征构建相应的统计量来进行故障检测。最后,分别通过田纳西伊斯曼(Tennessee Eastman,TE)与真实气化炉2个案例验证所提出方法的有效性和可行性。

基于局部保留投影的卫星姿控系统故障检测

采用流形理论,提出了基于流形学习的局域保持投影对姿态系统运行数据进行特征学习,并利用统计特性进行故障检测的方法。首先,利用局域保持投影方法发现统计量的局部流形结构。该投影方法的本质是试图将原始空间中的闭合点映射到低维空间中的闭合点;其次,构建T2和平方预测误差(SPE),利用正常数据训练结果进行统计,并采用核密度估计(KDE)确定故障控制限,实现了对故障的检测。通过数据仿真验证所提方法,典型故障检测率为100%。

基于调制宽频模态分解和局部保持投影特征融合的光伏直流电能质量扰动识别

光伏直流系统中的非线性负载可能导致直流电信号出现纹波、突变和噪声等扰动,而现有时频分析方法如变分模态分解等对光伏直流电信号进行分解时易产生误差。本文在宽带模式分解的基础上,采用基于调制差分算子的调制宽频模态分解(MBMD)对光伏直流电信号进行去噪,以减小分解误差。首先采用MBMD对直流电信号进行自适应分解,然后结合局部保持投影(LPP)算法进行特征融合,最后采用反向传播(BP)人工神经网络模型实现直流电能质量智能识别。仿真和实验分析表明,本文提出的方法可准确识别不同类型的光伏直流电能质量扰动。

基于局部保留投影的多视角人脸表情识别方法

为提高多视角人脸表情的识别效果,提出一种基于局部保留投影的GAN多视角人脸表情识别方法。通过在判别空间上添加不相关的约束提高分类性能,利用随机森林算法完成人脸表情的粗分类;对于每个子类别,利用生成对抗网络(GAN)的博弈思想设计特征提取器、特征合成器和判别器,通过判别器与特征提取器之间的对抗训练提高分类准确率。实验结果表明,该方法在脸部左侧的识别率高于脸部右侧,精细分类效果明显优于粗分类。相比其它方法,所提方法的识别效果最佳,当视角为0°时,在BU3DFE数据集和CK+数据集上的识别准确率分别是98.97%和97.58%。

广义的监督局部保留投影算法

针对监督的局部保留投影算法(Supervised Locality Preserving Projection,SLPP)在小样本情况下矩阵的奇异性问题,该文提出了一种广义的监督局部保留投影算法(Generalized Supervised Locality Preserving Projection,GSLPP)。GSLPP在大样本情况下等价于SLPP,在小样本情况下却可以等价转换到一个低维空间中来求解,从而有效解决了小样本问题。最后,实验结果验证了该方法的有效性。

快速核有监督局部保留投影算法

为了提取样本中的非线性模式,保持其中的流形结构以及减少投影时间,该文提出了一种快速核有监督局部保留投影算法。该算法使用有监督聚类选择法选取训练集的一个子集进行子集核主成分分析,然后在子集核主成分分析形成的子空间中进行有监督局部保留投影。实验结果表明:相对于有监督局部保留投影算法以及现有的几种流行特征提取方法,新算法能够取得更高的识别率;相对于现有的核投影算法,新算法的投影速度更快。在有些数据集上,只要普通核投影十分之一左右的时间,就能达到相同甚至更高的识别率。

基于图像优化局部保留投影的人脸表情识别

提出了一种基于图像优化局部保留投影的人脸表情识别方法。该算法在降维过程中将图像结构信息融入到LPP目标函数中,称之为GOLPP。与LPP不同,GOLPP通过降维处理,获得图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更具判决性的表情信息。基于JAFFE和CED-WYU(1.0)两个表情数据库的识别结果表明,基于GOLPP的特征提取方法能有效地提高识别率。

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED-WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。

代价敏感学习的稀疏局部保留投影算法

针对已有的局部保留投影(locality preserving projections,LPP)算法可能将相似的类别误投影到一起,导致正确识别率降低的问题.在局部保留投影算法的基础上,提出了一种基于代价敏感学习的稀疏局部保留投影算法(cost-sensitive sparse locality preserving projections,CSLPP).该算法将代价敏感学习引入到人脸识别中,首先对样本进行代价敏感思考,然后再将样本稀疏化,最后求得最优投影向量.通过在YALE人脸库和FERET人脸库上实验,结果表明CSLPP算法在投影之前将代价考虑进去,有效的避免了高风险,该算法在最近邻分类器上的的识别率明显高出其它算法的识别率.

基于局部主成分保持投影的旋转机械故障数据降维方法

针对旋转机械高维故障特征集存在的特征冗余导致的分类困难问题,提出一种基于局部主成分保持投影(locality principal component preserving projection,LPCPP)的故障数据集降维算法。该算法将类间可分性判据、主成分计算两种思想与局部保持投影(locality preserving projection,LPP)相融合,使得算法具有剔除冗余特征、减小降维盲目性的能力,从而可以更好地保留能够反映机械运行状态的高价值密度的故障信息以及特征的主要成分。通过两个不同型号的双跨度转子系统的振动信号对所提算法进行验证,并分别以可分性指标和3种不同分类器的识别准确率对本算法的降维性能进行评价。结果表明,本算法能够达到降低故障分类难度与提高故障分类准确率的功能,其可为积累高价值密度的数据资源和基于“工业大数据”的旋转机械智能决策技术工程实现,提供一种数据运算的理论依据。

一种基于核局部保留投影的人脸识别方法

为了有效提取人脸的非线性结构信息,提出一种新的基于最大散度差的核判别局部保留投影方法.首先通过核函数将样本数据映射到高维特征空间,计算特征空间中样本的散度矩阵,其次将样本原始空间中的近邻图嵌入到散度矩阵,最后采用最大散度差准则进行特征提取.在PIE与Yale人脸数据库上的实验结果表明,提出的人脸识别方法最高识别率可达到99%.

图像局部保留投影及在表情识别中的应用

提出了一种基于图像局部保留投影(ILPP)的人脸表情识别方法,该算法在降维过程中将图像结构信息融入到局部保留投影(LPP)目标函数中。与LPP不同,ILPP通过降维处理,获得表情图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更多、更有效、更具判决性的表情特征信息。基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明,ILPP特征提取方法能有效地提高识别率。

基于DGLPP-SVDD算法的化工过程故障检测

为解决传统全局局部保留投影算法(GLPP)不能充分利用已有故障数据进行特征提取的缺点,提出了判别全局局部保留投影算法(DGLPP)。在数据降维处理后,为应对高斯和非高斯混合分布的过程数据特性,通过支持向量数据描述算法(SVDD)构建故障检测统计量。将两种算法相结合提出基于DGLPP-SVDD的故障检测方法。将DGLPP-SVDD算法应用于TE过程仿真,并与GLPP算法对比,结果表明:DGLPP-SVDD算法具有更短的故障检测滞后时间和更高的故障检测率。

基于局部保留投影的堆叠隐空间模糊C均值算法

传统模糊聚类算法在处理复杂非线性数据时学习能力较差.针对此问题,文中基于极限学习机(ELM)理论,结合局部保留投影(LPP)与ELM特征映射,提出压缩隐空间特征映射算法,从而将原始数据从原空间映射至压缩ELM隐空间中.通过连接多个压缩隐空间特征映射,结合模糊聚类技术,提出基于LPP的堆叠隐空间模糊C均值算法.大量实验表明,文中算法对模糊指数的变化不敏感,在处理复杂非线性数据和存在类内差异的图像数据时,能够取得更精确、高效、稳定的学习效果.

基于非线性动态全局局部保留投影算法的化工过程故障检测

传统基于核映射的非线性故障检测方法的性能受核函数类型和核参数的调优影响较大,且实际工业环境中对过程变量的非线性阶数存在很多物理限制。针对这一问题,提出一种非线性动态全局局部保留投影(nonlinear dynamic global-local preserving projections,NDGLPP)的故障检测算法。该方法首先使用动态全局局部保留投影算法对数据矩阵进行降维;然后对降维后的矩阵建立二阶多项式映射提取非线性空间的相关特性;接着通过迭代这两个步骤以获得高阶非线性映射;最后,将所提方法应用于乙烯精馏过程和Tennessee Eastman(TE)过程仿真中,验证了检测方法的有效性和可行性。

有监督正交局部保留投影及其在人脸识别中的应用

针对局部保留投影算法(LPP)的无监督和非正交问题,提出了一种有监督的正交局部保留投影算法SOLPP。该算法同时考虑了样本的类别信息以及投影向量间的相互正交性,首先利用样本的类标签信息重新定义了类内和类间相似度矩阵,同时最大化类间离散度与类内离散度之比,有效地保持了样本的局部结构;其次对投影基向量进行正交化,在保持数据空间结构的同时进一步提高了人脸识别效果。在ORL和FERET人脸库上的实验表明,该方法的识别率要优于SLPP等算法。

基于判别正则化的局部保留投影

局部保留投影(LPP)是一种常用的线性化流形学习方法,其通过线性嵌入来保留基于图所描述的流形数据本质结构特征,因此LPP对图的依赖性强,且在嵌入过程中缺少对图描述的进一步分析和挖掘.当图对数据本质结构特征描述不恰当时,LPP在嵌入过程中不易实现流形数据本质结构的有效提取.为了解决这个问题,本文在给定流形数据图描述的条件下,通过引入局部相似度阈值进行局部判别分析,并据此建立判别正则化局部保留投影(简称DRLPP).该方法能够在现有图描述的条件下,有效突出不同流形结构在线性嵌入空间中的可分性.在人造合成数据集和实际标准数据集上对DRLPP以及相关算法进行对比实验,实验结果证明了DRLPP的有效性.

基于L1范数的二维鉴别局部保留投影的最大间距准则方法

为避免基于L1范数的鉴别局部保留投影(DLPP-L1)方法中图像数据向量化引起的矩阵计算的不稳定问题,提出了一种基于L1范数的二维鉴别局部保留投影的最大间距准则方法 (2DDLPP-L1/MMC),目的是寻找一组最优投影向量使得投影变换后特征空间的类间离散度最大而类内离散度最小。2DDLPP-L1/MMC方法直接基于图像矩阵并且利用了L1范数对野值处理的稳健性以及最大间距准则所具有的优势,降低了计算量。人脸数据库上的试验结果表明,该方法具有较强的鲁棒性和较高的识别率。

基于局部信息融合的正交稀疏保留投影分析

模式识别领域对于样本分类判别的准则有很多,近期运用比较多的是将原始数据样本的稀疏重构关系保持到投影变换后的样本空间中,从而增加分类的准确性。稀疏保留投影算法(SPP)就是基于该思想发展起来的典型算法。该算法在寻找最佳投影变换时是从样本的全局角度出发,没有考虑到样本总体呈现非线性而局部线性的空间结构,样本间的局部信息对识别率同样有很大的提升作用,同时SPP算法获取的投影变化是非正交的,特征变换之间存在冗余信息,特征信息之间存在冗余的情况对于样本分类过程存在很大的干扰项。基于以上不足之处,提出基于局部信息融合的正交稀疏保留投影,将正交性以及样本间的局部结构信息融入SPP算法之中,同时在AR以及CAS-PEAL人脸库上对所提算法进行验证。