多层非线性局部感受野极限学习机方法用于录井气体分析

随着我国能源需求的不断提升以及钻探环境的日益复杂化,开展高精度的烷烃类气体浓度检测对于提高油气勘探效率具有重要意义。光谱录井技术具有烃类气体检测快速、准确等优势,已成为石油勘探过程中备受关注的研究热点。针对录井气体红外光谱由于饱和吸收、噪声干扰、基线漂移等方面引起的非线性问题,提出了多层非线性局部感受野极限学习机(NM-LRF-ELM)模型。该模型将一维光谱数据转换为二维矩阵格式,利用局部感受野的数据处理方式在输入与隐藏层之间实现非线性特征提取。同时,引入改进的T-sigmoid激活函数,并在全连接层后加入dropout层来降低模型的过拟合风险。模型的特征提取与定量分析呈一体化结构,直接输出定量分析预测值。采集了两组共407个混合烷烃气体样本的红外光谱作为实验数据集,进行定量分析实验。实验结果表明,相较于滑动窗口类与灰狼优化定量分析模型,该模型的训练时间显著减少了90%以上。即使在同系物的非线性干扰下,模型的预测精度仍低于系统误差。因此,提出的方法有助于在现场环境变化复杂的情况下,降低未知气体的非线性干扰,提高对目标气体的红外光谱检测精度。

空间金字塔与局部感受野相结合的相关熵极限学习机

针对空间金字塔词袋模型中空间特征分布信息利用效率低,各类特征融合不充分的问题,该文提出空间金字塔与局部感受野相结合的相关熵极限学习机(SR-CELM)。在特征提取部分,利用多尺度局部感受野对生成的多层级的字典特征分布图进行卷积,并引入局部位置特征和全局轮廓特征。在特征分类部分,提出一种新的网络以融合各部分特征。同时在传统极限学习机训练方法的基础上利用相关熵准则构建判别性约束,推导出权重更新公式以求解网络的输出权重。为验证SR-CELM的有效性,该文分别在数据库Caltech 101,MSRC和15 Scene上进行实验。实验表明SR-CELM能够充分利用特征中可辨识信息,提高分类正确率。

基于分层极限学习机和局部稀疏模型的视觉跟踪算法

目标跟踪过程中常遇到形变和部分遮挡问题.为了解决该问题,文中提出结合分层极限学习机和自适应结构化局部稀疏外貌模型的视觉跟踪算法.分层极限学习机具有提取鲁棒特征并快速分类的能力.自适应结构化局部稀疏外貌模型可以使跟踪结果更准确,也可以解决部分遮挡问题.在不同视频序列上的性能测试表明文中算法在保持较高跟踪精度的同时,跟踪过程也较稳定.

局部感受野的宽度学习算法及其应用

为了更快且更准确地对图像进行识别,提出了基于局部感受野的宽度学习算法(Local Receptive Field based Broad Learning System,BLS-LRF),该方法以宽度学习网(Broad Learning System,BLS)为基础模型,与局部感受野(LRF)的思想相结合,从局部特征和全局特征两方面对图像进行特征提取。采用两种图像数据集对网络进行研究,将研究结果和许多传统神经网络进行对比,结果表明BLS-LRF网络的测试精度不仅超过了传统网络的测试精度,而且训练过程所需要的时间有了很大程度的缩短。

基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断

针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。

局部信息保持极限学习机的遥感图像分类

极限学习机ELM(Extreme learning machine)以其简单快速和良好的泛化能力在模式识别和机器学习领域得到了广泛的应用。近年来,研究人员将其应用到高光谱遥感图像分类问题中。然而,由于数据样本有限,极限学习机及其相关技术在遥感图像中存在数据学习不充分的问题。流形学习算法揭示了数据内在的几何结构信息。根据遥感图像的特点,基于流形学习的思想,将遥感图像数据样本的流行结构引入到ELM模型中,提出一种基于局部信息保持极限学习机LPKELM(locality information preserving extreme learning machine)。为了验证所提算法的有效性,使用两个高光谱遥感图像数据集进行实验。实验结果表明,LPKELM的分类性能优于SVM、KELM、KCRT-CK和MLR算法。

基于局部线性嵌入极限学习机的人脸识别新方法

针对人脸图片数量多、容易受噪声干扰,致使人脸识别的识别速度慢、准确率低的问题,提出一种基于局部线性嵌入极限学习机的人脸识别方法——LLE-ELM算法。利用局部线性嵌入(LLE)算法对人脸数据提取特征,最大限度保留原数据的特征结构,减少数据量,降低计算复杂;采用极限学习机(ELM)算法对提取特征后的数据进行分类;实现人脸识别,输出识别准确率和时长。通过在ORL数据库、Yale数据库、AR人脸库和CASIA-WEBFACE人脸库上的数值实验表明:与PCA、SVM、CNN算法对比,该算法具有较高的识别准确率和较快的识别速度。

基于结构化遮挡编码和极限学习机的局部遮挡人脸识别

提出使用结构化遮挡编码(SOC)结合极限学习机(ELM)的算法来处理人脸识别中的遮挡问题。首先,使用SOC去除图像上的遮挡物,将遮挡物体与人脸分离开;同时,通过局部性约束字典(LCD)来估计遮挡物的位置,建立遮挡字典和人脸字典。然后,将建立好的人脸字典矩阵进行归一化处理,并利用ELM对归一化的数据进行分类识别。最后,在AR人脸库上进行的仿真实验结果表明,所提方法对不同遮挡物和不同区域遮挡的图像具有较好的识别率和鲁棒性。

加权空-谱局部信息保持极限学习机的高光谱图像分类算法

高光谱图像的分类研究是高光谱图像处理与应用的重要环节。为有效提取高光谱遥感图像的空间信息和光谱信息,本文基于极限学习机提出新的研究。在模式识别和机器学习领域,极限学习机以其简单、快捷和良好的泛化能力得到越来越多的关注。但由于在高光谱遥感图像的学习过程中极限学习机缺乏对空间信息和光谱信息的有效提取,无法在分类中提供良好的分类结果。为此,基于谱局部信息的思想构造本文的研究框架,提出一种加权空-谱局部信息保持极限学习机分类算法。为验证所提算法的有效性,本文在两组常用的高光谱数据集IndianPines和UniversityofPavia上进行实验,通过与传统的分类算法SVM和目前较为流行的分类算法KELM,KCRT-CK,MLR和LPKELM相比,本文算法具有较好的分类精度。

基于融合极限学习机的局部放电模式识别

局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。

局部感知的类限制极限学习机

极限学习机(ELM)因其高效的训练方式被广泛应用于分类回归,然而不同的输入权值在很大程度上会影响其学习性能。为了进一步提高ELM的学习性能,针对ELM的输入权值进行了研究,充分利用图像局部感知的稀疏性,将局部感知的方法运用到基于自动编码器的ELM(ELM-AE)上,提出了局部感知的类限制极限学习机(RF-C2ELM)。通过对MNIST数据集进行分类问题分析实验,结果表明,在具有相同隐层节点数的条件下,提出的方法能够获得更高的分类精度。

基于局部二值模式与极限学习机分类算法的人脸面部表情特征识别

随着近年来学术界对于微表情识别该领域研究的逐步深入,微表情识别作为人机交互技术领域的新型研究课题。面部表情特征识别技术也经多年来发展,逐渐广泛运用于军事勘探、金融安全、教育教学等研究领域中,逐渐发展成为图像处理及识别技术领域的关键研究方向。人脸识别更集中了机器学习、人工智能、专家系统、机器识别、视频图像处理各类新技术,也需要与各类中间值算法理论结合来实现。在国内外现有研究中也获得了一定研究成果,譬如以往文献提出采用基于局部相位量化与模糊人脸识别算法,能够对模糊人脸的纹理信息提取效果有效提升,很大程度降低训练数据量。也有研究提出可以采用人脸识别技术设计面部考勤系统,可以根据视频摄像头获取图像并进行预处理,定位嘴巴、眼睛、鼻尖等面部特征。因此本次研究对于人脸面部表情特征识别,提出基于局部二值模式及极限学习机分类算法的新思路。

基于LMD多尺度熵和极限学习机的模拟电路故障诊断

为了高速、高效的测试和诊断模拟电路,提出一种将局部均值分解(LMD)多尺度熵和极限学习机相结合的模拟电路故障诊断的新方法。该方法中,首先采用LMD将故障信号分解为若干个乘积函数(production function,PF);然后,求出各PF分量的多尺度熵并构造故障特征向量;最后,将特征向量输入到极限学习机中进行训练和测试。仿真实验结果显示采用该方法诊断时间只需0.028 74 s,诊断精度达到了98.89%。相较于其他3种方法有效减少诊断时间,提高故障诊断精度。

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。

基于局部感受野和半监督深度自编码的肺结节检测方法

深度学习在肺部影像方面的研究主要集中于肺部CT图像。对肺结节的快速准确检测是肺部疾病治疗的关键步骤。结节检测本身就是一项具有挑战性的工作,且已有的研究均很难得到较高的检测率。针对这样的问题,提出一种改进的深度半监督稀疏自编码的肺结节检测方法。首先,采用局部感受野对肺结节图像进行多层特征提取。然后,利用半监督稀疏自编码自主学习肺部影像中的结节特征。最后,融合多种临床信息实现对肺结节的准确检测。实验结果表明,该方法可以达到准确率90.14%,敏感度89.67%和平均检测率96.64%,明显优于其他方法检测性能,更适用于肺结节的精准检测。

基于测地距离与极限学习机的监督型LLE算法研究

局部线性嵌入算法LLE(Locally Linear Embedding)是一种有效的非线性降维方法,但是该算法没有考虑样本的类别标签,并且欧式距离无法精确表示非线性数据的流形结构。针对以上LLE方法的缺陷,提出一种结合测地距离与样本类别信息的监督型LLE算法(ISO-SPLLE)。首先在LLE算法的近邻选择中使用测地距离作为相似性度量,然后利用极限学习机求出其映射函数后进行分类测试。将ISO-SPLLE算法与其他改进的LLE算法在UIC标准数据集与基因数据集上进行对比实验,结果表明,该方法对已知类别的数据能更有效地进行降维与识别。

基于局部域超限学习机的石材识别算法

针对日益加快的石材加工及销售速度与缓慢的人工分选速度之间不协调导致的效率低下的问题,急需提出基于视觉的自动化石材识别算法.所提出的基于局部感受域超限学习机(Local receptive field extreme learning machine,LRF-ELM)的石材纹理识别算法包含图像预处理、ELM特征映射和ELM分类器三个模块.其中图像预处理模块首先要经过平滑滤波和图像增强操作降低噪声干扰,接着再进行白化操作,去除数据之间的相关性.相对于基于传统人工设计特征的方法,所提出算法的ELM特征映射模块通过ELM神经网络可自主学习出更接近高层语义的图像特征,显著提高分类的准确性.实验结果表明提出的算法相对于传统算法不仅具备较高的分类精度同时还具备较高的计算效率.

区域渐近增强与感受野结合的多核近似学习网

为充分提取图像中可辨识信息、提高分类正确率,提出多核近似学习网,该网络主要由2部分构成。在特征提取部分,利用二维高斯分布对原始图像进行区域渐进增强,局部感受野和全局感受野被用于充分提取原始图像和区域渐进增强图像中的局部和全局特征,并将其串联以组成代表图像的特征向量。在分类部分,提出多核近似算法,将近似核映射编码出的低秩特征矩阵作为网络的隐藏层,以求解网络的输出权重。为验证该网络的有效性,利用USPS、MNIST和NORB数据集进行实验,实验证明所提出的多核近似学习网能够在局部感受野极端学习机的基础上进一步提取出特征信息,有效提高了分类正确率。

用电特征指标降维与极限学习机算法的窃电检测

窃电问题伴随着我国电力事业的发展,由常规窃电转向高科技窃电,呈现多样化、隐蔽化、高科技化等特征。针对该问题,对用户用电历史数据分析,提取特征指标进行降维并结合局部离群因子、极限学习机算法对窃电行为进行检测。对用户的负荷数据进行分类,提出度量负荷曲线的4种指标并得出13个特征变量。在分类的基础上对提取出的特征变量进行降维,利用局部离群因子筛选出用电异常用户。采用8个窃电判别指标并提取主成分,将用电异常用户提取主成分后的窃电判别指标数据作为训练样本输入模型。实验结果为训练样本与测试样本的预测正确率分别达到99. 55%和98. 67%。实验证明该模型对窃电用户有很好的识别效果。

无线传感器网络中极限学习机回归优化预测模型

数据融合是无线传感器网络中减少节点能量消耗的一个基本方法.在基于预测的时域数据融合中,通过对传感器节点采集的时间序列数据进行分析,建立能够反映时间序列中所包含的动态依存关系的数学模型,从而减少节点间冗余数据的传输.本文引入流行学习中局部线性重构的思想,结合改进的极限学习机(Extreme Learning Machine),提出KNN-PSOELM数据预测模型.首先运用K近邻的方法对输入样本点进行局部线性重构,然后采用粒子群优化算法(Particle Swarm Optimization)改进极限学习机回归方法产生最优的初始参数.优化之后的模型不仅使得原始非线性传感器数据具有线性的特征,而且避免由异常数据样本引起的病态隐层输出矩阵,提高了模型的预测精度和泛化能力.实验结果表明了算法的有效性.