基于半监督稀疏流形嵌入的高光谱影像特征提取

高光谱影像具有波段数多、冗余度高的特点,因此特征提取成为高光谱影像分类的研究热点。针对此问题,该文提出一种半监督稀疏流形嵌入(S^3ME)算法,该方法充分利用标记样本和无标记样本,通过基于切空间的稀疏流形表示来自适应地揭示数据间的相似关系,并利用稀疏系数构建一个半监督相似图。在此基础上,增加了图中同类标记样本的权重,然后在低维空间中保持图的相似关系不变,并最小化加权距离和,获得投影矩阵实现特征提取。S^3ME方法不仅能揭示数据间的稀疏流形结构,而且增强了同类数据的集聚性,能有效提取出鉴别特征,改善分类效果。该文提出的S^3ME方法在Pavia U和Salinas高光谱数据集上的总体分类精度分别达到84.62%和88.07%,相比传统特征提取方法提升了地物分类性能。

机械故障的稀疏流形聚类与嵌入诊断方法

传统流形学习算法中邻域尺寸是固定的,在故障诊断中并不恰当。本文中提出了一种基于新型流形学习算法稀疏流形聚类与嵌入(SMCE)的机械故障诊断方法来解决这个问题。SMCE通过求解稀疏优化问题自动确定邻域的大小,将传统流形学习中邻域尺寸选择变为优化问题的惩罚系数选择,进而从高维非线性观测数据中提取流形结构。利用SMCE从轴承和齿轮振动信号中提取特征进行诊断,实验表明,所提方法可以较好的提取故障信号内在的几何结构,应用无监督的谱聚类和有监督的支持向量机进行诊断准确率均高于98%。

基于稀疏流形聚类嵌入模型和L_1范数正则化的标签错误检测

综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息,提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法.首先,用稀疏流形聚类嵌入模型将数据投影到易分类的空间,利用标注正确的极少量样本和最近邻分类器获得新标签;然后,构造标签错误检测模型,获得仅含0、1元素的检测向量,正确、错误的标签分别对应着1、0的位置;最后,给出了相应的优化算法及收敛证明,并在相关实验上验证了算法的有效性.