具有刚性约束的非线性动力系统的局部映射方法

对具有刚性约束的n维非线性动力系统进行研究,建立了该类系统在刚性约束附近的局部映射关系.又根据连续性和横截性条件,通过几何方法推导并证明了局部映射的Jacobi矩阵的解析式.然后,通过引入局部映射,并利用Poincar啨映射方法,基于Floquet理论对刚性约束的n维非线性动力系统的周期运动的稳定性和分岔进行分析,给出了该类系统Poincar啨映射的Jacobi矩阵的计算方法.最后,以一类刚性约束的非线性动力系统为例,揭示了局部映射在其动力学分析中的重要作用.

采用两次局部映射法简化三角网格

在计算可视化领域 ,通常采用三角网格来表示三维物体 ,但是 ,由于大量的三角网格会影响实时交互的效果 ,因而 ,三角网格的简化越来越引起人们的重视。为了有效地进行网格简化 ,在传统的边压缩方法的基础上 ,提出了一种采用两次局部映射的三角网格简化方法 ,即首先利用高斯球 ,将三角网格投影到二维平面上 ,然后在二维平面上简化后 ,再投影回三维空间 ,以达到简化目的。实践证明 ,该方法不仅误差小 ,简化效率高 ,而且不会产生自相交 ,同时具有运行稳定和适用性强等优点。

基于监督局部映射的煤矿井下人员身份鉴别方法

为提高煤矿井下人员身份识别率,在局部保持投影(LPP)算法的基础上,提出监督局部映射(SLP)算法。该方法充分利用数据的局部和非局部信息及类别信息,对数据进行维数约简,使特征空间同类数据间的距离更小,不同类数据间的距离更大。该方法能够克服煤矿井下艰苦、空间受限环境中人脸、虹膜和指纹识别率不高的问题。在真实步态数据库上的实验结果表明,基于步态的煤矿井下人员身份鉴别是可行的。

矩阵模上的一些局部映射（英文）

设R是含有单位元的交换环,M n(R)是R上的所有n×n矩阵组成的R-模.论文介绍了M n(R)上(局部)左乘映射、(局部)右乘映射以及(局部)李映射的概念,并证明了M n(R)上的每个局部左乘映射(局部右乘映射、局部李映射)都是左乘映射(右乘映射、李映射).

GPU集群下第一原理非局部映射势能计算

平面波赝势密度泛函(PWP-DFT)计算是材料计算中应用最广泛的方法,其中映射计算是PWP-DFT方法求解自洽迭代中重要的一部分。针对映射势能计算成为软件加速的瓶颈,提出了针对该部分的图形处理器(GPU)加速算法,其中考虑GPU的特点:1)使用了新的并行机制求解非局部映射势能;2)重新设计了数据分布结构;3)减少内存的使用;4)提出了一种解决算法中数据相关问题的方法。最终获得了18～57倍加速,使每步分子动力学模拟最终降为12 s。详细分析了该模块在GPU平台上的测试时间,同时对该算法在GPU集群上的计算瓶颈进行了讨论。

广义矩阵代数上的一类非线性局部可导映射

设G=G(A,M,N,B)是一个广义矩阵代数,∅:G→G是一个映射(无可加性假设).利用代数分解的方法,证明:如果对任意的X,Y∈G,且X和Y至少有一个是幂等元时,∅(XY)=∅(X)Y+X∅(Y)成立,则∅是G上的可加导子.

基于概率局部判断映射的植物分类方法

基于叶片图像的植物分类与识别方法研究在保护植物物种和生态环境等方面发挥着重要的作用。由于叶片图像的复杂多样性以及同类叶片图像之间的差异性较大等特点,使得很多基于叶片颜色、形状和纹理的特征提取和识别方法不能满足植物自动识别系统的需要。在分类概率和局部保持映射(locality preserving projections,LPP)的基础上,提出了一种概率局部判别映射(probability locality preserving discriminant projections,PLPDP)方法,并应用于植物分类。首先计算每个样本的分类概率,由样本的局部信息、分类概率和类别信息定义权重矩阵,然后构建目标函数。通过最小化目标函数寻求最佳投影矩阵,使得原始高维样本经投影后,在低维特征空间保持了样本的局部信息、分布信息和类别信息。与判别LPP和监督LPP相比,PLPDP充分利用了样本的局部信息、分类概率和类别信息,算法的分类能力得到了较大提高。在公开的植物叶片图像数据库上对20类植物叶片图像进行了分类试验,识别率高达90%以上。试验结果表明,该方法是有效可行的。

基于监督正交局部保持映射的植物叶片图像分类方法

针对传统的线性分类方法不能有效处理复杂、多变和非线性的植物叶片图像,在局部保持映射算法的基础上,提出了一种监督正交局部保持映射算法,并应用于基于植物叶片图像分类中。该算法首先利用Warshall算法计算样本的类别矩阵,在此基础上充分利用样本的局部信息和类别信息构造类间散度矩阵和类内散度矩阵,使得维数约简后,在低维子空间同类样本之间的距离变小,而不同类样本之间的距离增大,由此提高了该算法的分类能力。最后,利用K-最近邻分类器进行植物分类。与经典的监督子空间维数约简方法相比,该方法在构建类内和类间散度矩阵时不需要判别数据的类别信息,能够提高算法的分类性能。在公开植物叶片图像数据库上进行了一系列植物叶片分类试验,平均正确识别率高达95.92%。试验结果表明了该算法在植物分类中的可行性。

归一Laplacian矩阵有监督最优局部保持映射故障辨识

提出基于归一化Laplacian矩阵有监督最优局部保持映射(Normalized Laplacian-based supervised optimal localitypreserving projection,NL-SOLPP)维数化简的故障辨识方法。构造全面表征不同故障特性的时频域特征集,利用NL-SOLPP将高维时频域特征集自动约简为区分度更好的低维特征矢量,并输入到Shannon小波支持向量机中进行故障模式辨识。NL-SOLPP结合流形局部结构和类标签来设计相似加权矩阵,并使输出基矢量统计不相关和相互正交,提高了故障辨识精度。深沟球轴承故障诊断和空间轴承寿命状态辨识实例验证了该方法的有效性。

基于局部判别映射算法的玉米病害识别方法

如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。

有监督不相关正交局部保持映射故障辨识

提出基于有监督不相关正交局部保持映射(SUOLPP)维数化简的故障辨识方法。首先构造全面表征不同故障特征的时频域特征集,再利用SUOLLP将高维时频域特征集自动约简为具有更好区分度的低维特征矢量,并输入到Littlewood-Paley小波核支持向量机中进行故障模式辨识。时频域特征融集可较全面准确地反映旋转机械的故障特征;SUOLPP同时利用流形局部几何结构和类标签来设计相似加权矩阵,并使输出基向量统计不相关和相互正交,提高了故障辨识精度。深沟球轴承故障诊断和空间轴承寿命状态辨识实例验证了该方法的有效性。

基于正交判别局部保持映射的步态识别方法

随着国内外对社会安全和反恐的日益重视,步态识别技术在远程监控中越来越显示出其独特优势;但由于步态识别存在诸多的困难,在现阶段仍未形成实用性的方法和理论框架,其关键问题是维数约简和特征提取;在局部保持映射的基础上,提出了一种正交判别局部保持映射的步态识别算法,用真实步态图像数据库上的实验结果表明该方法是有效可行的。

基于局部保持映射和隐马尔科夫模型的模拟电路故障诊断方法

针对模拟电路信号的非线性特征,提出一种基于局部保持映射和隐马尔科夫模型的故障模式识别新方法.首先提取模拟电路的信号特征构成原始高维特征样本空间;然后采用LPP算法将原始高维故障数据映射至低维空间,提取数据的内在流形特征作为特征矢量;最后通过构建混合HMM反映系统的真实状态,并作为分类器实现对各状态的分类识别.通过仿真分析,将该方法与其他方法进行对比,结果表明,LPP-HMM方法可以有效识别早期故障特征,具有较高的故障识别率.

加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法

提取掌纹的最佳低维分类特征一直是掌纹识别研究领域的一个重要方向。针对掌纹图像具有丰富的纹理特征特点,提出一种基于加权自适应中心对称局部二值模式(WACS-LBP)与局部判别映射(LDP)相结合的掌纹识别方法。首先将掌纹感兴趣(ROI)图像分成大小均匀的小区域,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到ROI的加权纹理特征直方图向量;再利用LDP算法对得到的特征向量进行维数约简;最后利用K最近邻分类器进行掌纹识别。在掌纹公开数据库上进行实验,正确识别率高达97%以上。实验结果表明,该方法不仅是有效、可行的,而且研究思路比较明确。

采用局部-整体映射模型的壁板铆接变形预测

针对现有壁板铆接变形预测方法预测精度低、计算周期长的问题,提出了一种采用局部-整体映射模型的壁板铆接变形预测方法。依据壁板装配工艺流程分析,确定了引起壁板铆接变形的主要原因;结合增扩自由度法,解决了壁板铆接体-壳连接建模中的应力不协调问题,并用于构建壁板铆接局部-整体映射模型;基于局部-整体映射模型,将钉孔周围复杂的应力应变状态传递到壁板整体薄壳模型上,实现了壁板铆接变形预测。计算结果表明:在十钉铆接结构中,与全实体动态铆接模型相比,单钉的平均计算时间从55min降为15min,变形分布与大小基本相同;某壁板变形预测结果与实验结果相比,测量点的最大变形值偏差为0.062mm,平均偏差为0.01mm,相关性系数为0.898。该模型显著提高了计算效率,且具有有效性,为进一步铆接变形的控制研究提供了理论依据。

正交全局-局部判别映射应用于植物叶片分类

提出了一种正交全局-局部判别映射的维数约简方法,并应用于植物叶片分类中。对于给定点的邻域点集,首先建立能够描述数据点之间关系的权重矩阵;然后,充分利用数据的类别信息和局部信息来构建类间散度矩阵和局部结构矩阵,使得映射后类内数据点之间的距离减小,而类间数据点之间的距离增大,这一性质有利于数据分类;最后,构造正交优化目标函数,通过Lagrange数乘法求解该目标函数。植物叶片图像分类的试验结果表明,该方法是有效、可行的。

基于三角网格模型的局部纹理映射

局部纹理映射可以增添三维模型的局部细节,加强模型的真实感。为了实现对三维模型的局部特征描写,增强局部纹理映射的用户可交互性,提出一种基于区域增长和平面投影的方法来实现三角网格模型的局部纹理映射。区域增长是以指定的三角面片为初始种子面片,搜索与种子面片共顶点的增长规则扩散出待映射区域。算法不仅保证了选取区域的完整性,不会出现缺角的情况;同时用户可以改变待映射区域的位置和大小。采用平面投影法对待映射区域进行纹理映射,将三维顶点投影到基准平面上,建立二维坐标系与纹理坐标系的关系,从而确定三维顶点和纹理坐标的对应关系。算法成功应用于实验,表明该方法的可行性。

基于二维局部保留映射的小样本掌纹识别

小样本生物识别是现实应用中一个较难解决的问题,通过有限训练样本很难得到满意的识别结果。因此,提出了一种新的小样本掌纹识别方法,利用改进的二维局部保留映射(I2DLPP)提取特征,并用支持向量机(SVM)分类。改进的二维局部保留映射是通过同时在行和列方向上进行2DPCA和2DLPP的投影实现的,从而降低了计算复杂度与特征维数;并且构建最近邻图是以图像内部的列为节点,保留更多内部流形结构,改善了识别效果。SVM是针对小样本识别的非常有效的分类工具,将两者结合可以显著提高小样本掌纹识别精度。实验结果证明了该方法的有效性。

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。

基于线性判别局部保留映射的人脸表情识别

随着人机交互技术的发展,情感计算成为一个研究热点。局部保留映射(LPP)是一种最优的保持数据集局部结构的一种线性映射,它的特点是保留了样本的局部结构,但是它没有考虑判别信息,从而容易引起类间距离小的类别之间的重叠。本文提出了基于线性判别的局部保留映射(DLPP)算法并将其应用到表情识别问题中。与LPP相比,DLPP的改进之处在于将判别分析的思想引入LPP。同时考虑样本间的相邻关系和模式类之间的相邻关系,从而得到能正确分类的最优投影方向。在Yale人脸库和JAFFE表情库中的一系列表情识别实验结果表明,DLPP对于人脸表情识别更为有效。