基于改进半监督局部保持投影算法的故障诊断

为解决在少量标记样本的条件下故障诊断困难的问题,提出一种基于改进半监督局部保持投影(ISS-LPP)的故障诊断方法。ISS-LPP算法利用部分标记样本的标签信息调整原始特征空间中样本间的权值矩阵,并根据所有样本在特征空间的分布情况自适应的调整邻域参数,寻找数据的低维本质流形,得到原始特征空间样本数据的低维特征向量和投影转换矩阵。以得到的低维特征向量为输入,建立分类器,识别和判断故障类型。将ISS-LPP算法应用于滚动轴承的故障诊断。实验结果表明:该方法能够在标记样本较少时,提高轴承的故障诊断精度。

基于半监督局部保持投影的磨粒图像特征降维

为有效提取磨粒图像的数字化特征,引入局部保持投影算法。针对局部保持投影在磨粒特征降维中的不足,提出一种基于Parzen窗和成对约束的半监督局部保持投影算法(PSS-LPP)。利用Parzen窗估计高维特征空间中样本的密度,然后根据各样本密度自适应调整邻域参数,并且充分利用样本的标签信息和实例约束生成成对约束集,进而指导投影权矩阵的构造,从而实现特征参数的半监督降维。将PSS-LPP应用于磨粒图像的纹理特征降维,研究结果表明:PSS-LPP对邻域参数初值和热核参数不敏感,降维性能比较稳定,磨粒识别精度明显提高。PSS-LPP可以更有效提取磨粒图像的低维特征。

基于图嵌入的正交局部保持投影无监督特征选择

传统的基于图学习的无监督特征选择算法通常采用稀疏正则化方法来选择特征,但这种方法过于依赖于图学习的效率,并且存在正则化参数调优困难等问题。为解决这些问题,针对性地提出了一种基于图嵌入学习的正交局部保持投影无监督特征选择(Orthogonal Locality Preserving Projection Unsupervised Feature Selection via Graph Embedding,OLPPFS)算法。首先,利用能够保持数据局部几何流形结构的局部保持投影方法增强数据的线性映射能力,同时约束正交方向投影以方便数据重构;其次,通过图嵌入学习方法快速构建稀疏相似图来描述样本数据的内在结构;接着,采用l_(2,0)范数约束投影矩阵的值,准确选择指定数目的判别性特征子集;最后,针对l_(2,0)范数NP难题,设计一种有效求解l_(2,0)范数问题的无参迭代算法求解该模型。仿真结果表明了所提算法的有效性和优越性。

用于人脸识别的半监督优化局部保持投影

未充分利用大量未标注样本的非监督信息是监督的、优化的局部保持投影(简称SOLPP)在人脸识别应用中的主要问题。为此提出一种用于人脸识别的半监督的优化的局部保持投影(SSOLPP)。该算法在SOLPP的基础上,通过加权平衡参数融合了未监督的主成分析(PCA)降维算法,使得投影后的数据保持了高维数据中的未标注样本的、全局的散布结构信息和监督的优化局部结构信息。在YaleB和AR人脸数据集上的实验验证了所提算法的有效性。

基于局部重构与全局保持的半监督判别分析方法

为克服线性判别分析(LDA)只能利用有标记样本的缺点,提出一种基于局部重构与全局保持的半监督判别分析(LRGPSSDA)方法.LRGPSSDA通过最小化局部重构误差来确定邻域图的边权值,在保持数据集局部结构的同时保持其全局结构,具有对邻域参数的选择不敏感、所得投影子空间的维数不受样本类别数的限制等特点.相较现有的半监督判别分析方法(如SDA和UDA),LRGPSSDA的分类性能更好.在YaleB和CMUPIE标准人脸库上的实验结果验证了该算法的有效性.

基于局部与全局保持的半监督维数约减方法

在很多机器学习和数据挖掘任务中,仅仅利用边信息(side-information)并不能得到最好的半监督学习(semi-supervised learning)效果,因此,提出一种基于局部与全局保持的半监督维数约减(local and global preserving based semi-supervised dimensionality reduction,简称LGSSDR)方法.该算法不仅能够保持正、负约束信息而且能够保持数据集所在低维流形的全局以及局部信息.另外,该算法能够计算出变换矩阵并较容易地处理未见样本.实验结果验证了该算法的有效性.

基于局部保持投影和稀疏表示的无监督特征选择方法

传统基于过滤的特征选择方法仅从统计或几何角度分别对数据集的每个特征计算某种得分选择特征,而忽略不同特征之间存在的联系.为解决该问题,利用局部保持投影和稀疏表示的优点,提出新的无监督特征选择算法.该方法通过限制特征权重的非负性和稀疏性选择特征.在4个基因表达数据集和2个图像数据集上的实验表明该方法是有效的.

半监督边缘判别嵌入与局部保持的维度约简

为了对高维数据进行降维处理,提出了半监督学习的边缘判别嵌入与局部保持的维度约简算法.通过最小化样本与其所属类别的中心点之间的距离,使得样本在投影子空间中能够保持其领域的拓扑结构;再通过最大化不同类别边缘间的距离,使得类别间的分离度在投影子空间中得到增强.实验结果表明:半监督边缘判别嵌入与局部保持的维度约简算法能够获得初始特征空间的较好的投影子空间.

基于监督判别局部保持投影的表情识别算法

LPP算法是无监督算法,并没有考虑到不同类别的样本对分类效果的影响,结果会造成不同类数据点的重叠,故所获得的子空间对于分类问题来说未必是最优的。提出一种新的基于监督判别局部保持投影(SDLPP)的表情识别算法。利用样本的类别信息重新构造LPP算法中的相似矩阵,然后在目标函数中增加类间散度约束,这样就会在保持样本点局部结构的同时,使不同类的样本点相互远离,从而得到更具有判别性的表情特征。该算法在识别率上比其他方法都有较大提高,通过在JAFFE表情库上的实验验证了其有效性。

一种监督局部保持投影的飞机目标识别方法

飞机目标识别方法研究在军事上具有重要意义。针对飞机目标图像数据的复杂性,提出了基于监督局部保持投影(SLPP)算法的一种目标识别方法。首先,利用PCA对飞机图像数据进行预降维,由此克服小样本问题;其次利用SLPP算法对飞机图像进行维数约简;最后,采用最近邻分类器进行飞机类型分类。通过在真实飞机图像数据库上的实验结果表明,该方法有效地提高了飞机识别的正确率。利用该方法能够有效地进行飞机目标识别。

全局判别与局部稀疏保持HSI半监督特征提取

针对高光谱图像存在“维数灾难”的问题,提出一种全局判别与局部稀疏保持的高光谱图像半监督特征提取算法(GLSSFE)。该算法通过LDA算法的散度矩阵保存有类标样本的全局类内判别信息和全局类间判别信息,结合利用半监督PCA算法对有类标和无类标样本进行主成分分析,保存样本的全局结构;利用稀疏表示优化模型自适应揭示样本数据间的非线性结构,将局部类间判别权值和局部类内判别权值嵌入半监督LPP 算法保留样本数据的局部结构,从而最大化同类样本的相似性和异类样本的差异性。通过1-NN和SVM两个分类器分别对Indian Pines和Pavia University 两个公共高光谱图像数据集进行分类,验证所提特征提取方法的有效性。实验结果表明,该GLSSFE算法最高总体分类精度分别达到89.10%和92.09%,优于现有的特征提取算法,能有效地挖掘高光谱图像的全局特征和局部特征,极大地提升高光谱图像的地物分类效果。

一种改进的局部保持投影高光谱特征提取算法

局部保持投影算法仅能保持近邻样本的局部结构,无法保证提取的特征有利于后续分类识别。为此,提出一种半监督保持投影特征提取算法。SPP算法能够利用标记样本所携带的类别信息来约束未标记样本,从而提高样本的可分性;同时,还在目标函数中加入一正则项,避免了因矩阵奇异导致算法无法求解的问题。利用实际高光谱数据进行对比实验,结果表明,用SPP算法进行特征提取后的分类精度较LPP算法有显著提升,验证了它的有效性。

基于最大分离度差的有监督核局部保持投影

为有效避免有监督局部保持投影算法在小样本情况下导致类内分离度矩阵奇异的问题,提出一种基于最大分离度差的有监督局部保持投影算法。提出类内分离度和类间分离度的概念,以类内分离度矩阵和类间分离度矩阵为基础构造基于差模式的鉴别准则,并将该算法推广到非线性情况下,提出基于最大分离度差的有监督核局部保持投影算法。Yale、ORL和CAS-PEAL-R1-POSE人脸库上的实验结果表明所提方法是有效的。

基于类别信息的监督局部保持投影方法

局部保持投影算法(LPP)是拉普拉斯映射(LE)的线性近似,但LPP作为一种无监督方法,并没有有效利用已有的类别信息提高分类效率。为此提出一种基于类别信息的监督局部保持投影方法(SLPP-LI)。在学习投影矩阵时,SLPP-LI综合利用了流形的几何结构和已有训练点的类别信息,通过调整控制参数的取值,有效地利用已知的低维信息,并且直接求解线性方程获得高维数据的低维模型。通过在多个人脸数据库和手写数字库上的对比实验,表明了SLPP-LI对于高维数据的初始维数以及训练数据的数目并不敏感,与主分量分析法(PCA)、LPP、正交LPP(OLPP)、有监督的LPP(SLPP)相比,均具有较高的识别率,充分说明SLPP-LI算法能够有效处理分类问题。

基于特征融合和有监督局部保持投影的蛋白质亚核定位

传统的蛋白质亚核定位利用单一序列特征表达导致信息不足,且表达与定位孤立导致信息不充分利用,为此利用伪氨基酸组成和位置特异性得分矩阵,收集到氨基酸物理化学特性信息和蛋白质进化信息,从而形成信息丰富的融合表达。在该基础上利用有监督局部保持投影学习数据低维流形,进而得到类间分割、类内保持的低维判别特征。然后依据此数据分布,适用最近邻分类器预测亚核位置。最后在标准数据集上,十折交叉验证的评估结果表明:该方法相较于已有方法在精度上有较大提升。

基于改进邻域的局部保持投影方法

作为拉普拉斯映射(LE)的线性近似而提出的局部保持投影(LPP)方法,同时具备流形学习方法和线性降维方法的优点,因而在数字识别、人脸识别等分类问题中受到广泛的关注。LPP构造近邻图主要有两种方法,其一,采用k近邻方式,其二,利用类别信息;采用k近邻方式没有利用已有的类别信息,而利用类别信息构造的方式没有充分考虑数据的局部几何关系。对此,提出一种基于改进邻域的局部保持投影方法(ILPP),综合了k近邻方式和类别信息构造方式的优势,利用已知类别信息的同时又没有忽略流形的局部关系,明显地提高了LPP的分类效率。通过对比实验,表明了ILPP的有效性。

半监督稀疏近邻保持投影

提出了改进的稀疏子空间学习方法。首先,提出了稀疏近邻相关性重构模型,该模型通过提取样本间的局部信息和标记样本的标签信息,解决了稀疏子空间学习的全局特征导致数据描述不充分的问题;其次,利用半监督技术,引入正则化参数对无标签判别特征和标签判别特征进行特征融合,提高了基于稀疏近邻相关性重构的子空间学习算法的性能。实验结果表明,该方法具有较高的分类性能和识别率,此外,稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。

基于自适应局部保持投影的无监督特征选择方法

基于谱图的无监督特征选择方法在原始高维空间构建图,易受噪声或冗余特征干扰.为此提出一种基于自适应局部保持投影的无监督特征选择方法,利用全局线性回归函数建立特征选择模型,结合自适应局部保持投影提高模型准确度,引入l2,1约束提升特征之间可区分度,避免噪声干扰.最后通过实验验证了该方法的有效性.

一种基于半监督稀疏保持投影的人脸识别新方法

针对现实生活中同时存在的无标签样本与标签样本的问题,将稀疏保持投影算法拓展到半监督框架上,提出了一种新的半监督稀疏保持投影算法,实现所有标签样本的充分利用,以保持标签样本给投影子空间的判别能力,建立样本的空间分布信息,提高了人脸识别的精确度。通过(Carngie Mellon University,CMU)人脸数据集对半监督稀疏保持投影算法的有效性进行了验证,结果表明该算法具有较好的人脸识别效果,降低了人脸识别的时间复杂度,提高了人脸识别的精度。

基于Gabor和核监督局部保持投影的单样本人脸识别算法

针对目前主流人脸识别算法,在单样本条件下,当性能严重下降根本无法工作时,提出了一种结合Gabor和核监督局部保持投影的单样本人脸识别算法。选取数据库中中性表情的近正面人脸图像作为训练样本,通过几何变换产生15幅虚拟样本,对每幅样本图像提取Gabor特征,采用核监督局部保持投影方法进行特征提取,欧氏距离最近邻分类器进行分类。根据ORL数据库、Yale数据库和FERET数据库上的实验结果表明,核监督局部保持投影(GKSLPP)算法具有较好的识别效果。