等谱流形学习算法

基于谱方法的流形学习算法的目标是发现嵌入在高维数据空间中的低维表示.近年来,该算法已得到广泛的应用.等谱流形学习是谱方法中的主要内容之一.等谱流形学习源于这样的结论:只要两个流形的谱相同,其内部结构就是相同的.而谱计算难以解决的问题是近邻参数的选择以及如何构造合理邻接权.为此,提出了等谱流形学习算法(isospectral manifold learning algorithm,简称IMLA).它通过直接修正稀疏重构权矩阵,将类内的判别监督信息和类间的判别监督信息同时融入邻接图,达到既能保持数据间稀疏重建关系,又能利用监督信息的目的,与PCA等算法相比具有明显的优势.该算法在3个常用人脸数据集(Yale,ORL,Extended Yale B)上得到了验证,这进一步说明了IMLA算法的有效性.

关于电机故障诊断方法的优化研究

针对高维数据的维数困扰、参数影响性能以及噪声干扰,采用等谱流形学习算法进行数据的降维,并采用狼群算法对等谱流形学习算法和最小二乘支持向量机的参数进行优化,提出了一种电机故障诊断的方法。结果表明:首先采用狼群算法优化等谱流形学习算法的特征维数d以及最小二乘支持向量机的惩罚参数C和核函数γ,并用等谱流形学习算法对数据进行降维处理,以提取其低维的特征空间,最后在建立最小二乘支持向量机模型,从而进行分类。仿真结果验证了所建模型的正确性和有效性,而且等谱流形学习算法的降维结果优化于主成分分析,其抗噪能力也很强,并且狼群算法优化的分类结果也优于粒子群算法。