用于多流形分类的核等距映射算法

核等距映射(Kernel ISOMAP)算法具有较好的泛化性能,但不能直接用于多流形的分类。在多流形下,准确判定新数据点所在的流形是其获得良好泛化性能的基础,因此,提出了能够用于多流形分类的核等距映射算法。该算法根据同一流形上邻近局部切空间的相似性能够准确判定新数据点所在的流形,并对目前核等距映射算法中新数据点低维表示的计算过程进行了简化,从而具有良好的泛化性能。实验结果证实,该算法具有较高的分类准确率。

基于KISOMAP-LDA-KNN算法TE过程故障诊断研究

针对化工连续生产过程的时序性及非线性等特征,文章提出了一种基于KISOMAP-LDA-KNN的非线性故障辨识方法。首先采用核等距映射(KISOMAP)算法在保持训练数据内在几何结构下进行非线性降维,然后使用线性判别(LDA)算法保持数据的最佳分类效果下进行降维,完成过程的特征提取,最后用K近邻(KNN)算法进行模式分类。将上述方法应用到TE过程,仿真结果验证了该故障诊断方法有较高的辨识能力。

一种改进的ISOMAP算法在图像检索中的应用

传统的核化ISOMAP(K-ISOMAP)算法对于多个分散类簇数据集的低维映射不能较好地表现数据集的内在拓扑结构。针对此缺点,本文将对基于ISOMAP的多类多流形算法(MCMM-ISOMAP)进行核化,提出核化的多类多流形ISOMAP算法(K-MCMM-ISOMAP),该算法不仅使得多类数据集在降维后保持较好的内在拓扑结构,而且具备了K-ISOMAP算法的泛化能力,可以将测试数据直接映射到低维空间。因此,该算法可以在多类图像数据集中实现图像检索的功能。实验结果表明该算法与K-ISOMAP相比更具有效性。

基于KIsomap特征提取的软测量建模方法

来自化工生产过程的数据大多具有非线性和高维性,对数据进行特征提取是软测量建模过程的必要环节。流形学习作为一种非线性维数约简方法,可以获得高维数据在低维空间的嵌入。针对流形学习中的等距映射法(Isomap)鲁棒性差、拓扑稳定性不好等缺点,通过常数偏移的方法构造核矩阵,形成核等距映射法(KIsomap),提高了Isomap算法的鲁棒性和拓扑稳定性。运用一种将K近邻与ε-半径法相结合的方法构造邻域图,基于核等距映射法(KIsomap)对数据进行特征提取,并建立高斯过程回归软测量模型,提高了模型的泛化能力与学习效率。将该方法应用于某双酚A装置的软测量建模,仿真结果表明相比于其他特征提取的软测量建模方法,该方法具有更高的估计精度和学习效率。