非线性流形降维方法结合近红外光谱技术快速鉴别不同海拔的茶叶

为提高不同海拔茶叶品质近红外光谱技术鉴别方法的精度,提出采用局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)非线性流形学习方法对近红外光谱数据进行降维处理,并与基于核函数的非线性(KPCA)及线性(PCA)降维方法比较,建立不同海拔茶叶品质的近红外光谱LSSVM鉴别模型。不同降维方法可视化结果表明,KPCA和PCA方法的数据点离散性较大,400~800 m和800~1200 m的样本点重叠较多,而非线性流形学习方法能将同一类样本点在三维空间很好地聚集在一起,不同海拔的茶叶能较好地区分开,且聚集效果方面LE方法好于LLE方法。模型性能表明,LE_LSSVM模型性能最佳,预测集总体判别率、Kappa系数分别为100%和1.00;相比于PCA_LSSVM、KPCA_LSSVM和LLE_LSSVM,模型预测集总体判别率分别提高1.7%、1.7%、3.3%;Kappa系数分别提高0.025、0.03、0.05。研究表明,LE等非线性流形学习降维方法在近红外光谱数据降维、简化模型复杂度、提高模型精度方面效果很好,为茶叶品质快速检测方法研究提供了一种新思路。

基于小波系数的流形降维抽油机故障特征提取

利用信号的时频域统计指标提取故障特征的方法忽略了故障信号的时变非线性的特性以及局部突变的特点。针对这一问题,提出了小波变换的故障特征提取方法。通过对信号进行小波变换,分析故障信号的局部性质,利用小波系数构造高维特征空间,分别利用等距映射(Isometric Feature Mapping,ISOMAP)、局部线性嵌入(locally linear embedding,LLE)和拉普拉斯特征映射(Laplacian Eigenmap,LE)等算法对高维特征空间进行降维,提取低维流形,表征故障特征。经水基动力无杆抽油机故障模拟试验台进行验证,分析比较三种方法得到的低维流形,可知利用小波系数构造流形高维空间经ISOMAP方法获得的低维流形图形状最易区分,数据也具有较高的可分性,能有效分析识别抽油机故障。

数据流形边界及其分布条件的增量式降维算法

为了解决增量流形学习中的噪声干扰,以及对不同分布状态下的新数据进行流形降维问题,本文提出一种数据流形边界及其分布条件的增量式降维算法(incremental dimensionality reduction algorithm based on data manifold boundaries and distribution state,IDR-DMBDS)。该算法首先分析噪声概率分布同时对数据降噪,确定降噪数据的流形形态为主流形,并在主流形上表征出噪声的分布形式,以此获得近似的原数据流形边界,然后基于流形边界判别新数据的分布状态,最后将分布于原流形形态之上以及之外的新数据分别映射至低维空间。实验表明,该算法能够有效实现基于流形的增量式高维含噪数据的低维特征挖掘。

一种改进的大尺度高光谱流形降维算法

经典流形算法等距映射(ISOMAP)和局部线性嵌入(LLE)可以对高光谱数据进行降维,但不能解决大尺度高光谱图像的流形降维难题。详细论述了ISOMAP和LLE在大尺度高光谱流形降维中遇到的问题,提出了一种基于增量等距映射(IISOMAP)和LLE结合的高光谱流形降维算法IISOMAP-LLE,并针对流形降维算法较线性降维算法最小噪声分离(MNF)可以更好地发掘出高光谱数据中的非线性结构的优点,通过AVIRIS和OMIS-II数据实验验证了算法的可行性和优越性,并证明了IISOMAP-LLE算法可以避免增强型等距映射(ENH-ISOMAP)中由于Landmark点选取不当而造成的本征维数较大时类间可分性反而低于MNF的缺点。

非线性流行降维与近红外光谱分析技术的大米贮藏期快速判别

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线,利用直接正交信号矫正法(direct orthogonal signal correction,DOSC)对原始光谱进行预处理,滤除光谱数据中与因变量Y矩阵无关的信号,以消除无关信息对后续特征变量建模精度的影响。采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性,并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量,并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。实验用陈年米和新米的样本数均为200个,随机将训练集和测试集样本划分为300个和100个。通过比较各个模型的预测结果得出,基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好,预测相关系数(R2P)、预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917,0.187和2.698。实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力,该研究为今后大米贮藏期的快速无损检测提供了科学的手段。

基于小波特征的维吾尔语方言识别

为进一步提高维吾尔语方言识别准确率,从特征域出发提出基于小波包变换的方言语音声学参数提取算法,利用小波包变换对语音信号进行精细分解,使用Bark滤波器提取低频子带和高频子带系数与人耳基底膜的不同部分对应,用局部线性嵌入的流形学习算法进行降维,提升信号的分类性能。分别以i-vector和x-vector两个主流系统进行方言识别实验,结果表明,小波特征声学参数的方言识别准确率比MFCC特征和FBank特征识别准确率均有提高。

基于近红外光谱分析技术的转Bt基因水稻种子及其亲本快速鉴别方法

提出一种利用近红外光谱技术快速鉴别转Bt基因水稻种子及其亲本的新方法,采用近红外光谱仪获取转Bt基因的水稻种子克螟稻1号、克螟稻2号及其亲本秀水11的反射光谱特征曲线,采用ISOMAP流形降维法对采集到的光谱数据进行非线性降维,提取45个特征波长,用于建模输入,利用最小二乘支持向量机方法建立光谱反射率值与类别值之间的预测模型。3种水稻种子样本数均为350个,共计1050个样本,将其分成900个训练集样本和150个预测集样本,预测准确率达94.67%。说明本研究提出的方法对于转Bt基因水稻种子及其亲本具有很好的分类和鉴别能力,且检测过程比传统理化检测手段简单,操作性强。该研究为今后转基因水稻种子及其亲本的快速无损检测提供了新的方法。

加权距离测试的LLE步态识别方法

针对局部线性嵌入(LLE)的非线性流形降维在步态识别率较低的问题,提出了一种加权距离测试的LLE流形降维步态识别方法.该方法依据LLE理论对训练数据重构低维特征,采用加权距离技术对测试数据重构低维特征,最后依据最小欧式距离进行识别并分析了降维过程中参数选取的问题.对单视点UCSD步态数据库和多视点步态数据库进行的实验表明,该方法的正确识别率优于LLE算法和加权LLE算法,但计算时间与LLE算法相当.

基于t-SNE算法的ABPSK信号个体识别

同一通信体系下的ABPSK(aeronautical binary phase shift keying)信号都有着相同的前导码,传统信号识别方法无法通过相同的前导码部分准确地识别出信号源,且常用信号特征属于高维特征,非常容易引发维度灾难。采用前导码相同的ABPSK实际信号采集数据的前导码,使用t-SNE算法对实际采集信号的前导码以及双谱进行降维,并且把降维后信号单一特征输入分类器中,不仅有效地利用了信号数据的流形信息,而且显著提升了基于信号单一特征进行信号个体识别的正确率。