线性局部切空间排列的传播半监督学习方法

针对人脸识别应用中的线性局部切空间排列算法(LLTSA)不能有效利用样本标签信息的问题,提出了一种线性局部切空间排列的标签传播半监督算法(SSLLTSA)。该算法利用标签传播的方法从带有部分标签的样本数据中得到软标签,然后利用软标签构造出软标签散度矩阵来描述数据集的类内紧凑性和类间分离性。SSLLTSA很好地保持了数据集的局部结构,有效地利用了样本中的标签信息。利用YALE和ORL人脸库进行实验,SSLLTSA比传统算法LLTSA的识别率平均分别提高了3.50%和3.89%。特别地,在只存有少量标签样本的情况下,该算法仍能保持良好的分类性能。

一种半监督邻域自适应线性局部切空间排列的故障识别方法研究

线性局部切空间排列算法(Linear local tangent space alignment,LLTSA)是能够较好应用于模式识别问题的降维方法,但由于其属于无监督的降维方法且在降维过程中只使用全局统一的邻域参数,使得在对高维数据集进行约简时,不能利用部分样本的类别标签信息且不能根据样本空间分布的变化调整邻域参数。针对上述问题,提出了一种半监督邻域自适应线性局部切空间排列算法(Semi-supervised neighborhood self-adaptive LLTSA,SSNA-LLTSA)。该算法在LLTSA的基础上,利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵来完成邻域构建,同时根据每个数据样本点邻域的概率密度自适应地调整邻域参数,进而得到更好的降维效果。经典的三维流形、UCI典型数据集模式识别和轴承故障诊断的实验结果表明,该算法克服了LLTSA算法无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。

基于线性局部切空间排列维数化简的故障诊断

为实现旋转机械故障诊断方法的自动化、高精度及通用性,提出基于线性局部切空间排列(Linear LocalTangent Space Alignment,LLTSA)维数化简的故障诊断模型。首先结合经验模式分解(Empirical Mode Decomposition,EMD)和自回归(Autoregression,AR)模型系数构造全面表征不同故障特性的混合域特征集,再利用LLTSA将高维混合域特征集化简为故障区分度更好的低维特征矢量,并输入到最近邻分类器(K-nearest Neighbors Classifier,KNNC)中进行故障模式识别。所提出的诊断模型充分融合混合域特征融合在故障特征的全面提取、LLTSA在信息的有效化简及KNNC在分类决策方面的优势,实现诊断方法的自动化、高识别率及较好的通用性。用深沟球轴承不同部位、不同程度故障诊断实例验证该模型的有效性。

增量式监督局部切空间排列算法及齿轮箱故障诊断实验验证

针对局部切空间排列算法面临的无法利用样本标签信息和不能高效处理增量式维数约简问题,提出一种新的增量式监督局部切空间排列算法(Incremental Supervised Local Tangent Space Alignment,ISLTSA)。为充分利用训练样本标签信息,在LTSA算法的基础上加入散度矩阵,构造新的最小目标函数,使得高维样本的低维嵌入坐标同类聚集、异类分离。对于新增样本可能影响部分训练样本局部邻域,更新全局坐标矩阵,获取训练样本低维坐标和新增样本低维坐标,并作为初值进行特征值迭代实现所有样本全局坐标的更新。结合支持向量机分类算法,将ISLTSA算法应用于齿轮箱的故障状态识别,实验分析验证了该方法的监督学习能力,可提高故障状态识别率,并具备增量学习能力,可降低维数约简方法的复杂度。

判别式正交线性局部切空间排列故障辨识

针对现有旋转机械故障诊断模式难以实现自动化、高精度和泛化性的关键问题,提出基于判别式正交线性局部切空间排列特征约简的故障辨识方法。该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DOLLTSA将高维时、频域特征集自动约简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。时、频域特征融集可较全面准确地反映旋转机械的故障特征;DOLLTSA综合利用局部几何结构和类判别信息进行流形解耦,并采用谱回归法和子空间正交化处理来优化低维嵌入子空间,提高了故障辨识精度。深沟球轴承故障诊断实例和空间轴承寿命状态辨识实例验证了所提方法的有效性。

正交判别的线性局部切空间排列的人脸识别

为了将线性局部切空间排列算法发展为有监督的学习算法,提出了一种正交判别的线性局部切空间排列算法。该算法首先利用样本数据的类别信息计算类间散度矩阵,然后再通过对原算法的目标函数进行修改来建立新的优化问题。在解出投影子空间的基础上,再通过进行正交化来得到投影的正交子空间。在两个标准人脸数据库上进行的实验表明,由于该算法使用了局部切空间来表示数据样本所在流形的局部几何结构,不仅融合了判别信息和正交化技术,并且兼顾了局部几何结构和判别结构的保持,因此提高了识别能力。

基于多尺度排列熵和线性局部切空间排列的机械故障诊断特征提取

机械设备监控系统收集的大量信号通常是包含多种自然振荡模式的非线性信号,这意味着单尺度特征提取无法表征这些非线性信号。而对于高维特征矩阵,也需要进一步提取主要的低维特征。针对这两个问题,提出了一种结合多尺度排列熵和线性局部切线空间排列(MPE-LLTSA)的非线性特征提取方法。首先通过MPE计算信号以获得具有高维度的多尺度特征。然后利用LLTSA挖掘嵌入的内在结构,实现低维特征提取。最后引入最小二乘支持向量机(LSSVM)来训练和识别低维特征。试验结果表明了该方法在机械模式分类和故障识别领域的应用潜力。

基于划分的有监督局部切空间排列的人脸识别

为了解决流形学习不能充分利用样本类别信息的问题,提出了一种基于划分的有监督局部切空间排列算法,并将其应用于人脸识别。新算法采用基于动态粒子群算法的有监督的K均-值聚类算法确定样本的聚类中心,将样本划分为有重叠的块,新算法在利用数据类别信息的同时保持了流形的局部几何结构,提高了流形学习对图像的识别能力,能更好地适用于人脸识别。通过在ORL数据库上与其他流形方法比较,验证了新算法的有效性。

采用监督局部切空间排列算法的航空发动机磨损故障诊断

为解决传统特征提取技术难以处理具有非线性结构的复杂故障数据、影响故障诊断准确性的问题,将非线性维数约简技术——局部切空间排列引入航空发动机滑油光谱数据特征提取中,提出了一种基于监督局部切空间排列的发动机磨损故障诊断方法。该方法对非线性分布故障流形数据的内在几何特征进行捕捉,并将数据向低维故障特征空间进行非线性映射,完成故障特征的提取,最后在故障特征空间里构造分类器,完成磨损故障的识别诊断。采用某型发动机磨损故障滑油光谱数据开展实验,结果表明:与传统主元分析、线性鉴别分析特征提取方法相比,该方法能够更有效地提取出嵌入于故障数据中的非线性特征,提高了故障分类的准确率,并且只需采用简单的线性分类器就能具有很好的故障诊断性能。

一种改进的局部切空间排列算法

局部切空间排列算法(localtangentspacealignment,简称LTSA)是一种新的流形学习算法,能有效地学习出高维采样数据的低维嵌入坐标,但也存在一些不足,如不能处理样本数较大的样本集和新来的样本点.针对这些缺点,提出了一种基于划分的局部切空间排列算法(partitionallocaltangentspacealignment,简称PLTSA).它建立在VQPCA(vectorquantizationprincipalcomponentanalysis)算法和LTSA算法的基础上,利用X-均值算法把样本空间划分成一些相互有重叠的块,通过把样本点投影到它所在块的局部切空间上得到其局部低维坐标,对局部低维坐标施加平移、旋转、伸缩变换,求出整体低维坐标.PLTSA解决了VQPCA不能求出整体低维坐标和LTSA中大规模矩阵的特征值分解问题,且能够有效处理新来的样本点,这是很多流形学习算法所不能的.通过实验说明了PLTSA的有效性.

局部切空间排列和支持向量机的故障诊断模型

提出了一种非线性流形学习和支持向量机的故障诊断模型。基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间,利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形,网格搜索算法进行维数和邻域点参数的优化,实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征。利用K折交叉验证和一对一法构造支持向量机多类故障分类器,采用径向基核函数支持向量机进行机电系统的故障诊断。应用于转子试验台的3种故障状态的识别并与其他故障诊断方法进行分析比较,结果表明基于局部切空间排列和支持向量机的机电系统故障诊断模型诊断精度可达到96.6667%,可以有效提取故障的敏感特征并解决机电系统故障样本缺乏的问题。

基于改进局部切空间排列的流形学习算法

局部切空间排列是一种广受关注的流形学习算法,其具备实现简单、全局最优等特点,但其难以有效处理稀疏采样或非均匀分布的高维观测数据。针对这一问题,该文提出一种改进的局部切空间排列算法。首先,提出一种基于L1范数的局部切空间估计方法,由于同时考虑了距离和结构因素,该方法得到的切空间较主成分分析方法更为准确。其次,在坐标排列步骤为了减小排列误差,设计了一种基于流形结构的加权坐标排列方案,并给出了具体的求解方法。基于人造数据和真实数据的实验表明,该算法能够有效地处理稀疏和非均匀分布的流形数据。

增量式局部切空间排列算法在滚动轴承故障诊断中的应用

针对流形学习算法的批量处理方式无法利用已学习的流形结构实现新样本的增量处理问题,提出一种增量式局部切空间排列算法。阐述局部切空间排列算法的基本原理及一次性观测样本全局坐标矩阵迭代和低维坐标提取方法。在算法增量学习上,对因新增样本加入而改变近邻点的样本进行全局坐标更新,建立新样本点的全局坐标;利用原始样本低维嵌入坐标和更新后的全局坐标矩阵对新增样本的低维嵌入坐标进行估计,并采用特征值迭代方法实现全局坐标更新。将增量式局部切空间排列算法应用于滚动轴承四种不同状态的模式识别中,提取的新增样本低维特征与特征空间聚集度分析结果表明:增量式局部切空间排列算法能够在保留一次性观测样本建立的低维流形基础上实现算法的增量式学习,同时对新增样本具有较高的识别率。

局部切空间排列算法用于轴承早期故障诊断

提出了一种基于经验模态分解(EMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先,利用经验模态分解算法分解滚动轴承不同模式下的振动信号,得到各阶本征模态分量和残余分量,提取各分量中的幅域参数和频域参数组成原始特征参数集;然后,建立基于类别可分性测度的邻域参数k选取方法,运用局部切空间排列算法实现敏感特征提取;最后,应用该方法对滚动轴承不同状态下的振动数据进行特征提取和模式识别,对比分析改进后的局部切空间排列算法与主成分分析、核主元分析以及传统局部切空间排列算法的故障模式识别能力。分析结果表明,该方法提取的滚动轴承故障特征敏感性较好,提高了故障模式识别能力,实现了滚动轴承的早期故障诊断。

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。

基于分形维和局部切空间均值重构的非线性降噪方法

基于主流形识别的非线性降噪方法中,约简目标维数选择随意和相空间数据在降维、全局排列和反求过程中可能畸变,使得降噪效率和效果降低。针对此问题,提出一种新的基于分形维和局部切空间重构的降噪算法。将主流形识别降噪通过仿射变换求解全局低维主流形的过程,变为对局部切空间低维坐标进行全局均值重构直接获取降噪后的全局相空间信号,并用分形几何方法估计信号的本征维数,以此作为主流形提取时的约简目标维数,在此维数空间之外的向量数据作为噪声进行消除。对混沌含噪信号和风机振动信号的降噪实验表明本文方法具有更好的降噪效果。

基于几何距离摄动的局部切空间排列算法

局部切空间排列算法(Local Tangent Space Alignment)是一种具有严格数学推理的流形学习算法,能有效地学习出高维数据的低维嵌入坐标,但也存在一些不足,如对近邻点的选取依赖性较强、不适应处理高曲率分布、稀疏分布数据源。针对这些缺点,提出了一种基于几何距离摄动的局部切空间排列算法。利用几何摄动条件把样本空间划分为一组线性分块的组合,在每一个线性块上应用LTSA算法完成降维。实验结果表明了该算法的有效性。

基于判别改进局部切空间排列特征融合的人脸识别方法

改进型局部切空间排列(ILTSA)是最近提出的一种流形学习方法。基于对ILTSA的线性逼近和判别拓展,该文提出一种新的称为判别改进局部切空间排列(DILTSA)的特征提取方法,并给出了理论证明和算法分析。基于最大邻域间隔准则和ILTSA,DILTSA能够同时保持类内与类间局部判别几何结构。此外,提出一种增强型Gabor-like复数小波变换以缓解照明和表情变化对人脸识别的影响。通过融合Gabor-like复数小波变换和原始图像特征,能够进一步提高人脸识别的准确率。在Yale和PIE人脸数据库上的实验结果证明了所提方法的有效性。

局部切空间排列多姿态人耳识别

针对姿态偏转时人耳图像识别率显著降低的问题,将局部切空间排列算法用于二维人耳特征的提取,提出一种局部切空间排列多姿态人耳识别方法.通过分析人耳图像的特点提出局部最大线性片构建策略,并以远少于样本点个数的局部切空间拟合样本集,再全局排列得到人耳低维流形.实验结果表明,该方法明显提高了姿态偏转下的识别率,并且计算效率得到改善,是一种有效的多姿态图像识别方法.