基于改进LLE算法的机械故障特征压缩与诊断

局部线性嵌入法(locally linear embedding,LLE)是一种典型的流形学习算法。在分析LLE算法的基本计算思路的基础上,提出了一种基于最佳分类效果的k和d综合参数选择方法。此方法综合考虑了故障类内和类间的离散度,并以此作为LLE算法特征压缩效果的评价依据。根据LLE算法的局部线性特征保持的基本特点,提出了一种增量式LLE算法用于柴油机机械故障特征压缩与诊断中。以平均子带能量法构造特征向量空间,子带数目的确定以同种故障类型特征参数间方差最小为准则。实验中,分别使用基于最佳参数选择的LLE算法、传统的主成分分析(principal component analysis,PCA)、增量式LLE算法对柴油机特征向量进行压缩,并对这三种算法的特征压缩结果运用K近邻算法(K-nearest neighborm,KNN)进行故障诊断与分类。结果表明基于最佳参数选择的LLE算法的诊断分类效果要优于传统的PCA方法,增量式LLE算法也取得良好的分类效果。实验表明,对LLE算法进行有关改进可以很好地应用到机械故障特征压缩与诊断中。

基于LLE及其改进算法的人耳识别

通过分析现有人耳识别方法的不足,将局部线性嵌入(LLE)算法应用于人耳识别。但LLE算法对近邻点个数K的依赖性很强,通常K较大时才能获得良好的降维效果,而计算量也随之增加。为了减弱LLE算法对K的依赖,本文对LLE算法的距离进行了改进,使样本集分布更均匀。在K值比较小时,改进LLE就能得到良好的降维效果,在一定程度上扩大了K的取值范围。改进LLE算法和原始LLE算法的人耳识别实验结果表明,改进LLE能获得更高的识别率,从而验证了该算法的有效性。