基于多尺度局部保持投影的轴承故障特征增强方法

针对轴承故障声发射信号的非线性特性,及易受背景噪声干扰的特点,提出一种多尺度局部保持投影方法。通过小波包分解实现一维信号的多尺度构造,利用近邻图保持信号局部流形信息,通过局部保持投影将信号变换到新的坐标空间下,实现故障特征增强。仿真和实验信号处理结果表明,多尺度局部保持投影方法在轴承故障增强检测中效果显著。

考虑空间相关性的半监督局部保持投影的高光谱图像特征提取

由于高光谱图像具有波段多、波段间信息冗余、空间信息相关等特点,提出一种考虑空间相关性的半监督局部保持投影(LPP)的高光谱图像特征提取算法(LPP-SCSSFE)。该算法利用保存高光谱图像空间近邻结构的空间距离,及保持图像光谱相似性的类内判别权值和类间判别权值,定义新的同物异谱、同谱异物像元权值计算函数,结合LPP提取高光谱图像特征,从而最大化同类地物间的相似性和异类地物间的差异性。在Indian Pines和Pavia University两个数据集上,通过高光谱图像分类实验对本文提出的LPP-SCSSFE算法进行验证,算法最高总体分类精度分别达到87.50%和91.29%,优于现有的特征提取算法。结果表明,本文算法充分考虑高光谱图像的空间相关性和光谱相似性,能够有效提取出有代表性的特征,提高分类精度。

基于多尺度正交PCA-LPP流形学习算法的故障特征增强方法

针对齿轮箱故障声发射信号特征增强问题,提出一种多尺度正交PCA-LPP非线性流形学习特征增强方法,兼顾PCA的全局方差增大变换特性以及LPP的局部非线性特征保持特性,并通过正交化消除投影分量间的冗余信息,使处理之后的齿轮箱故障信号内含的故障特征得到增强,一方面增强后信号包络谱中的故障谱线清晰明显,另一方面增强后信号以小波包能量熵为特征量,故障类型的辨识率显著提高,可以达到93.75%。

面向反光工件点云缺陷的点云增强算法

针对反光工件的三维扫描点云存在的缺陷以及点云处理时间长的问题,提出一种点云增强的算法以改善缺陷点云的质量、缩短点云处理的时间,从而提高点云三维重建的精度和效率.首先输入大量的、分布不均匀且包含离群点和噪声的无组织点云,使用基于kD-tree 的点云均匀重采样将点云数据分成多个子集;然后使用改进的局部最优投影算法对点云进行降噪处理;最后使用边缘感知重采样对点云进行增采样,达到保留和增强点云特征的效果.实验结果证明,该算法的处理是有效的.

一种高效的K值自适应的SA-KNN算法

传统的K近邻(KNN)分类算法在实际应用过程中存在一些缺陷:没有考虑去除噪声样本,也没有考虑到在样本数据空间变换过程中保持样本数据本身的流形学结构,并且没有使用样本间属性的相关性。为此,提出引入稀疏学习理论,利用训练样本重构测试样本的方法,重构过程使用了样本间的相关性,也用到局部保持投影LPP保持数据结构不变,同时引入l2,1范数用于去除噪声样本的方法来寻找投影变换矩阵W,进而利用W确定KNN算法中K值的SA-KNN算法。在UCI数据集上的仿真实验结果表明,该方法比传统的KNN分类算法和Entropy-KNN算法有更高的分类准确度。

一种应用于人脸识别的超分辨率方法

为提高局部保持投影(LPP)在人脸图像超分辨率中的适用性,在LPP中引入典型相关分析(CCA),提出一种相关性增强的局部保持投影方法(CELPP)。CELPP用于提取高分辨率图像与低分辨率图像特征,根据关系学习建立低分辨率图像特征与高分辨率图像特征之间的映射变换,输入低分辨率图像,通过CELPP特征提取和关系映射,得到高分辨率图像,并将其用于人脸识别。对人脸库ORL和Yale进行的实验结果表明,该方法同时考虑了高分辨率图像与低分辨率图像的相似性及同类图像的局部结构性,在基于人脸识别的超分辨率应用中优于LPP和CCA。