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POEM_SLPP的人脸识别算法

针对方向边缘幅值模式(patterns of oriented edge magnitudes,POEM)提取的人脸特征维数过高和计算复杂度较大的问题,提出了结合方向边缘幅值模式和有监督的局部保持投影(patterns of oriented edge magnitudes_supervised locality preserving projections,POEM_SLPP)的人脸识别算法。首先,采用POEM算子进行特征提取;其次,将高维特征数据投影到SLPP算法求出的低维样本空间进行降维;最后,采用最近邻法对测试样本进行分类。在CAS-PEAL-R1人脸库上的实验结果表明,在表情、背景、饰物、时间、距离测试集上,该算法的平均识别率较POEM+LPP算法提高了22%,较POEM+PCA提高了2%。

基于SLPP和CHMM的轴承健康评估与预测研究

为了更加有效地评估和预测轴承健康状态,更早地发现轴承异常,提出了一种基于有监督局部保持投影(SLPP)和耦合隐马尔可夫模型(CHMM)的轴承健康评估与预测方法.首先,针对轴承信号特点,选择11个时域和频域特征进行提取;其次,利用SLPP方法对提取的高维特征进行高质量特征约减;最后,结合CHMM获取性能指标并对轴承健康状态进行评估和预测.通过轴承全寿命加速疲劳实验分析表明,该方法能够对轴承健康状态进行准确而有效的评估预测;在特征约减效果上,与PCA相比,SLPP刻画轴承状态变化过程的能力明显更强;在评估效果上,与HMM相比,CHMM能更早地发现轴承异常.