基于监督正交局部保持映射的植物叶片图像分类方法

针对传统的线性分类方法不能有效处理复杂、多变和非线性的植物叶片图像,在局部保持映射算法的基础上,提出了一种监督正交局部保持映射算法,并应用于基于植物叶片图像分类中。该算法首先利用Warshall算法计算样本的类别矩阵,在此基础上充分利用样本的局部信息和类别信息构造类间散度矩阵和类内散度矩阵,使得维数约简后,在低维子空间同类样本之间的距离变小,而不同类样本之间的距离增大,由此提高了该算法的分类能力。最后,利用K-最近邻分类器进行植物分类。与经典的监督子空间维数约简方法相比,该方法在构建类内和类间散度矩阵时不需要判别数据的类别信息,能够提高算法的分类性能。在公开植物叶片图像数据库上进行了一系列植物叶片分类试验,平均正确识别率高达95.92%。试验结果表明了该算法在植物分类中的可行性。

有监督不相关正交局部保持映射故障辨识

提出基于有监督不相关正交局部保持映射(SUOLPP)维数化简的故障辨识方法。首先构造全面表征不同故障特征的时频域特征集,再利用SUOLLP将高维时频域特征集自动约简为具有更好区分度的低维特征矢量,并输入到Littlewood-Paley小波核支持向量机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;SUOLPP同时利用流形局部几何结构和类标签来设计相似加权矩阵,并使输出基向量统计不相关和相互正交,提高了故障辨识精度。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。

基于监督局部映射的煤矿井下人员身份鉴别方法

为提高煤矿井下人员身份识别率,在局部保持投影(LPP)算法的基础上,提出监督局部映射(SLP)算法。该方法充分利用数据的局部和非局部信息及类别信息,对数据进行维数约简,使特征空间同类数据间的距离更小,不同类数据间的距离更大。该方法能够克服煤矿井下艰苦、空间受限环境中人脸、虹膜和指纹识别率不高的问题。在真实步态数据库上的实验结果表明,基于步态的煤矿井下人员身份鉴别是可行的。

基于无参数监督核局部保持映射降维的故障诊断

针对局部保持映射(LPP)应用于故障诊断存在识别精度不高的问题,提出了基于无参数监督核局部保持映射(PSKLPP)降维的故障诊断新方法。PSKLPP采用对离群数据更为鲁棒的余弦距离对LPP中的欧氏距离进行替换,并融入样本标签信息构造无参数近邻图,利用核方法将提取的高维故障特征映射到一个高维线性空间再进行降维,避免了相似矩阵计算过程中人为选择选择参数的问题,能够获得更有效的低维流形。电机轴承故障诊断的准确率达到了99.05%,相比于改进前和其他几种方法有了较大幅度提升。

基于等距映射的监督多流形学习算法

目前的监督多流形学习算法大多数都根据数据的类别标记对彼此间的距离进行调整,能较好实现多流形的分类,但难以成功展现各流形的内在几何结构,泛化能力也较差,因此文中提出一种基于等距映射的监督多流形学习算法.该算法采用适合于多流形的最短路径算法,得到在多流形下依然能正确逼近相应测地距离的最短路径距离,并采用Sammon映射以更好地保持短距离,最终可成功展现各流形的内在几何结构.此外,该算法根据邻近局部切空间的相似性可准确判定新数据点所在的流形,从而具有较强的泛化能力.该算法的有效性可通过实验结果得以证实.

基于监督拉普拉斯特征映射算法的人脸识别

为了提高人脸识别算法的识别率,提出了一种基于局部奇异值分解(Local Singular Value Decomposition,LSVD)和监督拉普拉斯特征映射(Supervised Laplacian Eigenmap,SLE)的人脸图像识别方法。由于奇异值向量具有良好的稳定性、转置不变性等特点,首先利用局部奇异值分解方法从人脸图像中提取特征向量;然后采用监督拉普拉斯特征映射算法对已获取的人脸特征进行维数约简。在Yale和ORL人脸库上的实验结果表明,该算法能有效地提高人脸识别的性能。

基于改进局部保持映射算法的故障诊断

针对局部保持映射(LPP)应用于故障诊断存在识别精度不高的问题,提出了基于无参数监督核局部保持映射(NPSKLPP)降维的故障诊断新方法。NPSKLPP采用对离群数据更为鲁棒得余弦距离对LPP中的欧氏距离进行替换,并融入样本标签信息构造无参数近邻图,利用核方法将提取的高维故障特征映射到一个高维线性空间再进行降维,避免了相似矩阵计算过程中人为选择参数的问题,能够获得更有效的低维流形。齿轮故障诊断结果表明,该方法是有效的。

基于LPP的时间序列半监督分类

在时间序列研究领域,半监督分类技术越来越受到广泛关注,绝大多数现有研究都是对原始时间序列直接进行半监督分类,一般情况下,时间序列的维数(长度)比较高,在半监督分类方法中选择合适的降维技术非常重要。本文提出了一种基于局部保持投影的时间序列半监督分类方法。该方法首先使用局部保持投影对时间序列样本进行维数约减,然后对降维后的数据进行半监督分类。在15个时间序列数据集的实验结果表明,该方法的分类性能显著地好于已有方法。

基于植物叶片图像的植物病害检测方法

对植物病害准确、快速的识别是对植物病害采取防治措施的基础,同时对灾害评估也具有积极意义。在判别局部保持映射(DLPP)的基础上,提出了1种植物病害识别方法。该方法试图找到1个映射矩阵,使得高维数据映射后,在低维子空间同类样本之间的距离最小,而异类样本之间的距离最大,由此提高算法的识别率。采用该算法对3种常见玉米叶部病害的图像进行分类试验,并与其他植物病害识别算法进行比较。结果表明,DLPP对玉米病害的识别是有效可行的,识别精度高达85.5%。

基于SOLPP维数约简的电机轴承故障特征提取

为提高电机轴承故障诊断的准确性,提出了基于监督正交局部保持映射(SOLPP)的电机轴承故障特征提取方法。该方法首先从多个角度构建出高维多域的混合故障特征集;然后利用监督正交局部保持映射对高维特征集进行约简,以获得对轴承故障状态敏感度高且聚类性好的低维特征;最后采用支持向量机(SVM)进行故障识别,评估特征提取的效果。电机轴承不同类型和不同程度故障诊断实验结果表明,提取的轴承故障特征可以表征轴承故障状态,验证了该方法的有效性。

局部自适应加权LSSVM在线建模方法及其在间歇过程中的应用

目前的局部建模方法在构建样本间相似度的时候仅考虑了输入信息而忽略了输出信息的作用,并且没有考虑样本的权重问题。针对上述问题,提出了局部自适应加权最小二乘支持向量机(Local Adaptive Weight LSSVM,LAW-LSSVM)回归算法。该算法采用同时考虑输入输出信息的相似性判据则来构建更加合理的相似样本集,利用有监督的局部保持映射(Supervised LocalityPreserving Projection,SLPP)算法对样本空间进行有效的降维和搜索最优的相似样本方向,实现了样本权重的在线调整。利用LAW-LSSVM对青霉素发酵过程中的产物浓度进行在线预测,仿真结果表明,包含了输入输出信息的相似度评价准则能够更准确的选择相似样本,较离线LSSVM以及局部LSSVM(LLSSVM)有着更高的预测精度、更好的泛化能力。

一种基于核的监督流形学习算法

针对流形学习算法——局部保持映射存在的参数选择及不能进行非线性特征提取的问题,提出一种基于核的监督流形学习算法.该算法作为局部保持映射算法的改进算法用样本类标识信息指导建立局部最近邻图,并在建立局部最近邻图使用无参数的相似度量.利用核方法来解决局部保持映射算法在处理线性不可分问题上的局限性问题.在两个常用数据库上验证本文算法的可行性和有效性.