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%。

基于正则化核最大边界投影维数约简的滚动轴承故障诊断

针对旋转机械故障诊断中故障样本获取困难的现状,提出一种基于正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)维数约简的滚动轴承故障诊断方法。该方法首先利用RKMMP对小样本、少标记信息的混合故障样本集进行训练降维,然后将降维后的低维敏感特征子集输入到核极限学习机(Kernel Extreme Learning Machine,KLEM)分类器中进行故障识别。上述方法的特点是所提出的RKMMP能充分利用少量标记样本信息与大量无标记样本的故障信息,避免过学习的缺陷,同时通过添加正则化项克服小样本问题。滚动轴承故障模拟实验表明:该方法结合了RKMMP在维数约简和KLEM在模式识别上的优势,在一定程度上能提升故障诊断的泛化能力与识别精度。该研究可为解决好故障诊断中样本获取困难的问题,提供理论参考依据。

一种改进的局部多核学习算法

局部多核学习算法(LMKL)是一种变系数的多核支持向量机算法,其利用选通函数局部的选取合适的合成核函数;但是其选通函数有严重的参数沉余的问题,为此提出了改进的局部多核学习算法(ILMKL),在其目标函数中加入正则项,区别于LMKL中选通函数的l1范数形式,使用选通函数的lp范数形式,增强核函数间的"互补"作用;采用该算法在模拟数据集和UCI数据集上实验,结果表明该算法取得较高的分类能力。

稀疏局部保持投影

LASSO(Least Absolute Shrinkage and Selection Operator)是1范数和2范数混合学习的一种理论框架,基于LASSO提出了局部保持投影的稀疏回归算法SpLPP及其广义的正则化形式RSpLPP,并从理论上证明了所提模型的收敛性及求解算法,给出了算法的复杂性分析.所提算法同时具有特征选择、降维的特性,在有监督学习、无监督学习两种任务情况下,都可以应用该算法.在人工数据集和真实数据集上进行的大量仿真实验,取得了较好的结果,证明了所提算法的有效性.

基于双字典正则化的单帧图像超分辨率重建方法

为提高单帧图像的分辨率,提出一种基于内部字典和外部字典正则化的超分辨(super-resolution,SR)重建方法。首先,将输入的低分辨率(low-resolution, LR)图像划分为若干个结构相似的子区域,对每个子区域采用主成分分析(principal components analysis, PCA)字典学习方法构造每个子区域对应的内部字典;其次,将外部高分辨率(high-resolution, HR)图像的高频细节分为结构相似组,采用PCA字典学习方法构造外部字典;再次,使用非局部回归模型设计2个具有互补性的正则化项用于解决SR不确定性问题;最后,采用梯度下降迭代优化算法实现SR重构。实验结果表明,相比于对比方法,算法的峰值信噪比(peak signal to noise ratio, PSNR)平均提升0.2 dB,结构相似度(structural similarity, SSIM)平均提升0.01,并且能够获得更好的主观视觉效果。

基于局部结构学习的非线性属性选择算法

针对大多数高维数据之间不仅有相似性,而且还有非线性关系等特点,提出一种基于局部结构学习的非线性属性选择算法。该算法首先通过核函数把数据映射到高维空间,在高维空间中表示出数据属性之间的非线性关系;然后在低维空间中通过局部结构学习来充分挖掘属性之间的相似性,同时通过低秩约束来排除噪声的干扰;最后通过稀疏正则化因子来进行属性选择。其通过核函数映射来找出数据属性之间的非线性关系,运用局部结构学习来找出数据属性之间的相似性,是一种嵌入了局部结构学习的非线性属性选择算法。实验结果表明,该算法相比其他对比算法有更好的效果。

KLPP特征约简与RELM的高压隔膜泵单向阀故障诊断

为此提出基于核局部保持投影(KLPP)和正则化极限学习机(RELM)的高压隔膜泵单向阀故障诊断方法。首先,提取单向阀振动信号的时域、频域、时频域特征,构建多域特征集;然后,通过KLPP算法对构建的多域特征集进行维数约简;最后,建立基于RELM的故障诊断模型,用于识别单向阀运行状态。实验结果表明,基于多域特征的故障诊断方法检测精度高于单域特征识别方法;KLPP约简多域特征集,可以有效消除信息冗余;建立的RELM故障诊断模型识别精度达到98.89%,能够有效识别高压隔膜泵单向阀故障类型。

基于rMKL-LPP方法的乳头状肾细胞癌多组学数据整合分型分析

目的探讨局部保留投影的正则化多核学习(regularized multiple kernel learning with locality preserving projections,rMKL-LPP)在乳头状肾细胞癌(papillary renal cell carcinoma,PRCC)多组学数据分子分型中的应用,进一步研究PRCC分子分型在信号通路活性和基因表达调控方面的异质性。方法采用rMKL-LPP方法对PRCC的mRNA、miRNA和DNA甲基化数据进行整合,进一步采用k-means方法聚类分型,并通过Cox回归分析研究不同分型的预后风险。针对不同分型,进行通路活性分析,使用差异表达分析筛选DEmRNAs(differentially expressed mRNAs),DEmiRNAs(differentially expressed miRNAs)和DMGs(differentially methylated genes),并对三者的重合基因进行GO(gene ontology)富集分析,最后使用相关及生存分析筛选可能受DNA甲基化或miRNA调控且影响患者生存的基因。结果PRCC患者分为三型,不同亚型在通路活性和基因表达方面均有差异。筛选出10条活性存在差异的通路;1185个DEmRNAs,13个DEmiRNAs及416个DMGs,其中36个重合基因富集于有统计学差异的8个GO生物项。相关分析发现,ABL2可能受hsa-miR-107调控,13个基因可能受DNA甲基化调控。生存分析表明,ZNF135和RBPMS2可能与患者生存结局相关。结论rMKL-LPP能够有效识别PRCC亚型,筛选出的通路及潜在生物标志物,可为PRCC针对性治疗提供依据。

面向WSN的稀疏核学习机分布式训练方法

针对无线传感器网络(WSN)中,经过多跳路由传输训练数据到数据中心进行集中式训练时存在的高数据通信代价问题,基于L1正则化的稀疏特性,研究了仅依靠邻居节点间的协作,在网内分布式协同训练核最小均方差(KMSE)学习机的方法.首先,在节点模型与邻居节点间局部最优模型对本地训练样本预测值相一致的约束下,利用并行投影方法和交替方向乘子法对L1正则化KMSE的优化问题进行稀疏模型求解;然后,当各节点收敛到局部稳定模型时,利用平均一致性算法实现各节点稀疏模型的全局一致.基于此方法,提出了基于并行投影方法的L1正则化KMSE学习机的分布式(L1-DKMSE-PP)训练算法.仿真实验结果表明,L1-DKMSE-PP算法能够得到与集中式训练算法相当的预测效果和比较稀疏的预测模型,更重要的是能显著降低核学习机训练过程中的数据通信代价.

基于KSLPP特征提取的ELM模拟电路软故障诊断

为提高模拟电路的软故障诊断能力,提出了一种基于KSLPP特征提取和ELM的集成诊断方法.它首先利用KSLPP良好的特征提取能力,构建故障样本集的特征集;然后,利用ELM解决复杂非线性问题的优势,建立提取特征集的故障识别模型;最后,再由所建模型对各种故障模式进行诊断判定.椭圆滤波器的仿真测试表明,该集成方法诊断的总正确率达到98.8%,且11种故障状态中的8种达到100%正确率,从而验证了其可行性和有效性.