基于局部线性映射神经网络和亮度补偿的彩色人脸检测

人脸识别是一个具有广阔应用前景和极富挑战性的研究课题。作为自动人脸识别系统的第一步，快速有效的人脸检测至关重要。利用颜色信息进行人脸检测，具有直观、简单、快速的特点，非常适用于作为自动人脸识别系统的人脸粗定位环节。该文提出一种基于局部线性映射（ Ｌ Ｌ Ｍ）神经网络和亮度自适应补偿的人脸区域检测算法，根据待检测图像上每点的颜色值判断它属于人体区域还是背景区域，从而框出可能的人脸区域。实验表明，此算法对于实验室背景下的人脸检测取得了较好的效果。一方面可以较好地区分人脸区域和背景区域，甚至与人脸颜色比较相近的背景区域，同时对实验室环境下各种光照条件的变化具有很好的鲁棒性。

R^n上的线性局部保控映射

设φ:Rn→Rn是一个线性映射,对任意x∈Rn,都存在与x有关的线性保控映射ψx,使得φ(x)=ψx(x),则称φ是欧氏空间上的一个线性局部保控映射。线性保控映射是线性局部保控映射,其逆命题不成立。文中定义了两个与φ相关的Rn的子集Iφ和IIφ,如果任意Rn上的点都属于Iφ(或IIφ),那么这个线性局部保控映射φ是线性保控映射。

基于LLM的金融市场波动率高频数据异常检测方法

金融市场高频数据包括时间序列数据和其他宏观经济指标,通常具有高维特征.其处理需要更复杂的算法,易产生较高的模型过拟合风险.基于此,提出基于局部线性映射(Local Linear Mapping,LLM)的金融市场波动率高频数据异常检测方法,对各个高频数据目标的日平均序列数据进行标准化处理,在数据筛选时,使用标准化处理设定相关阈值,将不同维度的数据转化为相同的尺度,并利用连通图算法,将具有边连接的金融市场波动率高频数据划分至一个群组内,计算待检测高频数据阈值,采用局部线性映射,完成金融市场波动率高频数据异常检测.实验结果表明:所提方法在TPR为0.98时,ROC曲线稳定运行,贡献因子为1.287,重构误差为1.6%,能够以最快速度使训练集异常检测的损失值达到稳定.

利用非线性降维方法预测膜蛋白类型

将氨基酸的组成含量以及它们之间的相关系数作为膜蛋白序列的特征向量,采用有监督的局部线性映射(SLLE)的方法对该向量进行降维,并使用最简单的欧氏距离分类器来预测膜蛋白类型.利用统计学中Self-consistency,Jackknife和Independentdataset3种典型方法检验SLLE的降维结果,取得了明显的效果.试验结果表明,SLLE算法能够成功地预测膜蛋白数据类型.

基于扩展LLE方法的非线性系统故障诊断研究

针对非线性系统故障诊断难以解决的问题,提出了一种基于扩展局部线性嵌入映射(Locally Linear Embedding,LLE)的故障诊断方法.通过引入切空间距离代替欧氏距离,可以更加科学的满足算法近邻点局部线性的要求,从而可以更好的保留原始数据的局部流形特征.另外,将故障状态与高维空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展相结合,减少了计算量,提高了算法的实时性,从而为复杂非线性系统的故障诊断提供了一种新的有效的方法.

一种新的彩色图像降维方法

基于内容的图像检索(CBIR)是图像检索的重要分支,而基于颜色的特征提取是CBIR的常用方法之一.如果对图像颜色的特征数提取过多、维数过大,则不利于对图像的快速匹配.本文将图像的色彩直方图作为输入向量,然后采用局部线性映射(LLE)算法对原始数据进行降维,并分别在4种色彩空间下对降维后的彩色图像进行分类.实验证明,在处理非线性数据降维时,LLE较主成分分析(PCA)具有明显的优势.

向量函数微分的非标准定义

用非标准分析方法,在扩大模型中使用转换原理,通过定义局部线性函数,给出向量函数微分的定义.得到了向量函数微分的非标准定义与在一般意义下的定义是一致的结论,并且在此基础上,给出向量函数在一点处可微的定义.

基于LLM的时间序列异常子序列检测算法

为了提高时间序列中异常子序列检测算法的有效性,提出一种基于局部线性映射(LocalLinear Mapping,LLM)的异常子序列检测算法.该算法将时间序列子序列通过其相邻子序列线性重构,很好地保留了时间序列子序列与其相邻子序列的相关性.基于LLM的映射特性,使用两种异常指标(贡献因子,重构误差),并将其应用于ST东方(B)股票交易时间序列数据集的异常子序列检测中.实验结果表明,所提出的算法对异常子序列的异常检测具有很好的效果,有效提高了时间序列中异常子序列的检测效率.

基于HLLE-SVM预测混合炸药爆轰性能

为了预测炸药爆轰参数并提高预测精度,提出一种将Hessian局部线性映射算法(HLLE)和支持向量机理论(SVM)相结合的预测方法。选取16种传统混合炸药作为研究对象,利用Hessian局部线性映射算法理论,对原始数据进行降维处理,再将降维后的数据作为输入,应用SVM对炸药爆速、爆热做回归预测,采用遗传算法(GA)选取最佳惩罚因子、核函数参数,将预测结果与文献值对比分析,预测相对误差在±3%之内。最后将该方法应用于新型熔铸混合炸药2,4-二氨基-3,5-二硝基-1-氧吡嗪(LLM-105)/1-甲基-3,5-二硝基-1,2,4-三唑(DNMT)和LLM-105/1-甲基-4,5-二硝基咪唑(4,5-MDNI)爆速预测,与试验值做比较,相对误差分别为2.91%、3.72%。结果表明,该方法对混合炸药爆轰参数预测误差较小,模型精度较高。