基于监督等距映射高光谱遥感影像降维

在面向分类的高光谱遥感数据降维过程中,考虑到高光谱遥感数据内在的非线性结构和传统流形学习非监督的特点,提出一种新的监督等距映射方法(S-Isomap)。方法基于类间距离大于类内距离的思想,首先利用KMEANS算法对原始数据进行聚类得到样本的初始类别标签,采用新距离搜寻数据点的K近邻,进而实施等距映射降维。实验证明了该方法优于传统Isomap。

基于监督等距映射和支持向量回归的料位软测量

球磨机是一种用于磨矿工业的高能耗设备,准确测量其料位能够提高运行效率和安全性能。针对球磨机振动信号存在非线性和冗余性以及振动法在高料位时灵敏度较低等问题,提出了一种基于监督等距映射(S-Isomap)和支持向量回归(SVR)的软测量方法。首先用鲁棒的S-Isomap对振动信号功率谱基本特征进行非线性降维并提高料位区分度,再用泛化能力好的SVR建立降维后特征和料位之间的回归模型。通过采用实验室球磨机运行数据进行测试,验证了该方法在整个料位范围内具有较高的预测精度。

基于S-ISOMAP和DAG-SVM的齿轮声学故障诊断方法

齿轮故障声信号特征数据集具有高维和非线性特性,等距映射(ISOMAP)降维算法通过构造距离矩阵来测量样本点之间的测地距离,具有处理复杂非线性数据的能力,但其本身是一种无监督算法,不能有效利用样本点间的标签信息。文中设计了一种结合有监督等距映射(S-ISOMAP)算法和有向无环图支持向量机(DAG-SVM)的故障诊断方法,主要包括特征提取、降维和模式识别三个部分。利用梅尔频率倒谱系数(MFCC)提取齿轮故障声信号的特征信息,建立高维特征数据集,在计算欧式距离时引入调节因子,构建有监督的S-ISOMAP降维算法对高维MFCC特征数据集进行降维。引入有向无环图,构建DAG-SVM分类器实现多分类。实验结果表明,该方法能有效准确的识别出旋转机齿轮的故障状态,识别准确率达到94.67%,S-ISOMAP相较ISOAMP、局部线性嵌入的降维效果更好,分类识别准确率更高。

基于梅尔频率倒谱系数的球磨机料位软测量

在球磨机料位测量优化的研究中,针对球磨机音频信号存在非线性及利用梅尔频率倒谱系数(MFCC)方法提取到的特征参数中存在冗余信息的问题,采用MFCC监督等距映射(S-Isomap)和极限学习机(ELM)建立球磨机料位软测量模型。首先,采用MFCC方法得到音频信号的特征参数并进行参数重组。然后利用鲁棒的S-Isomap进行降维提取特征,以克服不相关信息对测量精度的影响;最后采用ELM建立所得特征与料位信息的回归模型。实验结果表明,以梅尔频率倒谱系数作为音频信号的特征参数序列能有效测量球磨机料位,且改进方法具有较高的测量精度。

高光谱的有监督Isomap-SVM苹果粉质化分类

苹果粉质化程度是衡量其内部品质的一个重要因素,粉质化造成苹果质量的降低以及商业价值的贬值。高光谱图像技术结合了光谱技术和图像技术的优点,能够无损检测苹果内部品质。提出了有监督等距映射(S-Isomap)和支持向量机(SVM)相结合的用于检测苹果粉质化的新分类方法。S-Isomap-SVM分类方法首先用S-Isomap对高光谱数据作非线性降维,再用SVM对降维后的数据进行分类。对于未知类别的测试样本,采用BP神经网络建模输出的方法,而后结合SVM得到对应的测试精度。这里将S-Isomap-SVM分类方法与SVM以及Isomap-SVM分类方法比较。结果表明,对高光谱数据而言,用S-Isomap-SVM得到的检测精度最高。