基于改进有监督局部线性嵌入的地震属性降维优化

为克服直接从地震资料中获取的地震属性具有维数高、数据量大、信息冗余、高度非线性,且数据样本缺乏先验知识分类等缺陷,用基于等价关系的模糊聚类方法对有监督局部线性嵌入算法进行改进,将其应用于地震属性的非线性降维优化,实例表明其地震属性降维优化效果优于常规线性降维方法,为地震资料解释处理、储层预测及物性参数反演提供了良好可靠的数据资料。

基于有监督增量式局部线性嵌入的故障辨识

提出一种基于有监督增量式局部线性嵌入的故障辨识方法。首先构造全面表征不同故障特性的时频域特征集,再利用有监督增量式局部线性嵌入将高维时频域特征集自动化简为区分度更好的低维特征矢量,并输入Morlet小波支持向量机中进行故障模式辨识。有监督增量式局部线性嵌入结合流形局部几何结构和类标签来设计重构权值矩阵,并采用局部线性投影计算新增样本的嵌入映射,提高了故障辨识精度,实现了新样本的快速增量处理。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。

一种新的支持向量机树学习模型

针对特征空间维数较高时,混淆交叉支持向量机树中间节点的学习结果可能包含冗余特征信息的情况,考虑各维特征之间的相互关系以及各数据点之间的相互关系对数据的分类影响,提出一种基于有监督局部线性嵌入的支持向量机树学习模型.考虑每个中间节点上需要不同的特征信息进行局部决策,分别对每个中间节点(包括根节点)上的样例进行有监督局部线性嵌入学习.实验以手写阿拉伯数字识别问题为例验证和分析了模型的结构和分类识别性能,与其他学习模型的对比结果表明,该模型能在有监督局部线性嵌入学习的基础上,以更精简的结构获得与其他学习模型可比的识别精确率.

基于IMF重构-SLLE的高速列车转向架故障特征提取

在故障特征提取方面,传统的典型特征提取方法往往需要深入理解信号特性、结合工程实践经验提取故障特征,从而极大程度上孤立了特征提取和智能诊断两个环节,导致在针对复杂多变的机械设备海量信号时,提取反映信号特性的典型特征往往效果不理想。针对该问题,提出一种基于IMF重构-SLLE的新的特征提取方法,该方法首先把EEMD分解得到的IMF分量重构成高维向量,并利用SLLE优良的非线性维数约简能力对信号进行降维。实验表明:IMF重构-SLLE特征提取方法优于传统的EEMD典型特征提取方法,并把此方法应用到高速列车转向架故障状态识别中,识别率高达97.78%,具有重要的工程应用价值。

基于表情加权距离SLLE的人脸表情识别

局部线性嵌入(LLE)算法没有考虑训练样本的类别信息,而有监督LLE(SLLE)算法等同处理类别之间的差异性.根据人脸表情的特点,各个表情类别之间的差异性是有区别的,据此,文中构造一种基于表情加权距离的SLLE算法.在计算训练样本之间距离时,对来自不同表情类别的样本距离选择不同的加权值,从而使表情类别的先验信息得到更充分利用.在JAFFE库上进行人脸表情识别实验结果表明,相比LLE算法和SLLE算法,该算法在一定邻域范围内获得更好的人脸表情识别率,是一种有效算法.