快速核有监督局部保留投影算法

为了提取样本中的非线性模式,保持其中的流形结构以及减少投影时间,该文提出了一种快速核有监督局部保留投影算法。该算法使用有监督聚类选择法选取训练集的一个子集进行子集核主成分分析,然后在子集核主成分分析形成的子空间中进行有监督局部保留投影。实验结果表明:相对于有监督局部保留投影算法以及现有的几种流行特征提取方法,新算法能够取得更高的识别率;相对于现有的核投影算法,新算法的投影速度更快。在有些数据集上,只要普通核投影十分之一左右的时间,就能达到相同甚至更高的识别率。

基于局部保留投影的卫星姿控系统故障检测

采用流形理论,提出了基于流形学习的局域保持投影对姿态系统运行数据进行特征学习,并利用统计特性进行故障检测的方法。首先,利用局域保持投影方法发现统计量的局部流形结构。该投影方法的本质是试图将原始空间中的闭合点映射到低维空间中的闭合点;其次,构建T2和平方预测误差(SPE),利用正常数据训练结果进行统计,并采用核密度估计(KDE)确定故障控制限,实现了对故障的检测。通过数据仿真验证所提方法,典型故障检测率为100%。

基于核局部保持投影的近红外光谱玉米单倍体识别研究

实现快速、精确地鉴别玉米单倍体籽粒对玉米单倍体育种技术十分重要。近红外光谱分析技术可在线分析、监测,且无损、分析速度快、操作简便、测试成本低,对实现自动化的大规模鉴定并分拣玉米单倍体非常有帮助。通过美国JDSU的近红外光谱仪进行玉米近红外光谱的数据采集,交叉采集玉米单倍体、多倍体数据。数据处理时,将数据分为训练集和测试集两部分。依次对数据做预处理以消除噪声影响,做核变换将其投射到更高维度空间中增强可分性并进行特征提取,最后建立分类模型鉴别分析。分别统计采用不同的特征提取算法并建立模型鉴别测试的正确识别率。实验结果表明,采用核局部保持投影(KLPP)的特征提取算法的正确识别率更高、稳定性更好,在两组测试集上的正确识别率的均值分别达到95.71%和96.43%。通过分析可以得出,玉米种子的近红外光谱数据经过非线性变换(为高斯核变换)投影到更高维度的空间后,表现出更易于分类的分布特点,保持数据的局部特性也更利于后续的分类。这为玉米单倍体鉴定进一步研究提供了新的方向。

核无监督鉴别投影及人脸识别

提出一种基于核方法的无监督鉴别投影,在较好地描述人脸图像的同时,对图像进行有效地分类。对核局部保留投影(KLPP)和无监督鉴别投影技术(UDP)进行了相应的研究,将两者互相结合。该方法同时考虑到样本的局部特性和非局部特性,有效地利用了对分类有用的重要信息;此外,将核方法和流形学习方法结合起来,有效地描述人脸图像的非线性变化,对于人脸识别问题有较好的效果。在Yale库上的实验表明,该方法的识别率明显高于UDP和PCA,且有较好的分类效果。

基于可变滑动窗口KLPP的故障检测

为了提高KLPP在故障检测过程中对非线性和时变特性的自适应能力,提出一种基于可变滑动窗口KLPP(VMWKLPP)的故障检测方法。利用训练数据建立KLPP模型,并计算其统计量和控制限;对测试样本块进行检验,通过正常过程的变化来调节窗口的大小,选择最优的窗口大小。滑动窗口来添加新的样本块和丢弃旧的样本块,实现窗口数据样本的实时更新,以进一步更新KLPP模型和控制限。将该方法运用于田纳西-伊斯曼过程中,仿真结果表明,与KLPP和滑动窗口KLPP(MWKLPP)相比,VMWKLPP方法在工业过程监控中具有明显的优越性。

系统故障演化过程中关键事件的确定方法研究

为研究系统故障演化过程中关键事件的确定方法,提出了一种基于核局部保持投影(Kernel Locality Preserving Projections,KLPP)的关键事件确定方法。首先论述了系统故障演化过程、关键事件和因素空间,随后提出了关键事件确定方法,最后进行了实例分析。研究认为系统故障演化过程具有复杂的结构和层次,经历事件是演化测量得到的对象,其中具有决定作用的就是关键事件。关键事件是描述演化过程的基础,可通过因素空间中的对象分布进行确定。通过KLPP方法对对象分布特征进行研究,实现近邻对象分析,得到特征对象。这些特征对象对应的经历事件即为关键事件。按照测量时刻升序排列特征对象即为所求,最终作为描述演化过程的空间故障网络的节点。实例分析得到了预期结果,并说明了方法的特点和研究意义。

有监督的局部保留投影降维算法

针对局部保留投影(LPP)的非监督本质,提出一种称为有监督的局部保留算法(SLPP)的线性降维方法,它同时考虑类间分离性以及 LPP 中的局部保留特性.实验结果表明 SLPP 算法较其他算法优越.线性的 SLPP 算法还可通过使用核方法扩展到非线性的情况.

基于KSLPP与RWKNN的旋转机械故障诊断

针对旋转机械高维故障特征集识别精度低的问题,提出基于核监督局部保留投影(Kernel Supervised Locality Preserving Projection,KSLPP)与Relief F特征加权的K近邻(Relief F Weighted K-Nearest Neighbor,RWKNN)分类器相结合的维数约简故障诊断方法。该方法首先应用KSLPP提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后最小化类内散度,最大化类间分离度;随后,将降维后得到的低维敏感特征集输入RWKNN进行模式识别,RWKNN能够突出不同特征对分类的贡献率,强化敏感特征,弱化不相关特征,提升了分类精度和鲁棒性。最后,通过典型转子实验台的故障特征集验证了该方法的有效性。

基于SLPP和张量分解相结合的人脸识别

针对多线性分析算法对多姿态多身份因素并存时,人脸的识别率大大下降等问题,提出了带监督的局部保留投影映射算法与多线性张量分析算法相结合的人脸识别方法。该方法将人脸转动的近邻点信息作为监督信息引入,更精确地描述了姿态空间的非线性结构,再结合张量分解和核函数将姿态流形系数映射到高维图像空间,使得从低维空间到高维空间映射的精确性得以提高。在东方人脸数据库上进行实验,结果验证了该算法的有效性。

基于rMKL-LPP方法的乳头状肾细胞癌多组学数据整合分型分析

目的探讨局部保留投影的正则化多核学习(regularized multiple kernel learning with locality preserving projections,rMKL-LPP)在乳头状肾细胞癌(papillary renal cell carcinoma,PRCC)多组学数据分子分型中的应用,进一步研究PRCC分子分型在信号通路活性和基因表达调控方面的异质性。方法采用rMKL-LPP方法对PRCC的mRNA、miRNA和DNA甲基化数据进行整合,进一步采用k-means方法聚类分型,并通过Cox回归分析研究不同分型的预后风险。针对不同分型,进行通路活性分析,使用差异表达分析筛选DEmRNAs(differentially expressed mRNAs),DEmiRNAs(differentially expressed miRNAs)和DMGs(differentially methylated genes),并对三者的重合基因进行GO(gene ontology)富集分析,最后使用相关及生存分析筛选可能受DNA甲基化或miRNA调控且影响患者生存的基因。结果PRCC患者分为三型,不同亚型在通路活性和基因表达方面均有差异。筛选出10条活性存在差异的通路;1185个DEmRNAs,13个DEmiRNAs及416个DMGs,其中36个重合基因富集于有统计学差异的8个GO生物项。相关分析发现,ABL2可能受hsa-miR-107调控,13个基因可能受DNA甲基化调控。生存分析表明,ZNF135和RBPMS2可能与患者生存结局相关。结论rMKL-LPP能够有效识别PRCC亚型,筛选出的通路及潜在生物标志物,可为PRCC针对性治疗提供依据。

基于KSLPP特征提取的ELM模拟电路软故障诊断

为提高模拟电路的软故障诊断能力,提出了一种基于KSLPP特征提取和ELM的集成诊断方法.它首先利用KSLPP良好的特征提取能力,构建故障样本集的特征集;然后,利用ELM解决复杂非线性问题的优势,建立提取特征集的故障识别模型;最后,再由所建模型对各种故障模式进行诊断判定.椭圆滤波器的仿真测试表明,该集成方法诊断的总正确率达到98.8%,且11种故障状态中的8种达到100%正确率,从而验证了其可行性和有效性.