基于线性局部切空间排列维数化简的故障诊断

为实现旋转机械故障诊断方法的自动化、高精度及通用性,提出基于线性局部切空间排列(Linear LocalTangent Space Alignment,LLTSA)维数化简的故障诊断模型。首先结合经验模式分解(Empirical Mode Decomposition,EMD)和自回归(Autoregression,AR)模型系数构造全面表征不同故障特性的混合域特征集,再利用LLTSA将高维混合域特征集化简为故障区分度更好的低维特征矢量,并输入到最近邻分类器(K-nearest Neighbors Classifier,KNNC)中进行故障模式识别。所提出的诊断模型充分融合混合域特征融合在故障特征的全面提取、LLTSA在信息的有效化简及KNNC在分类决策方面的优势,实现诊断方法的自动化、高识别率及较好的通用性。用深沟球轴承不同部位、不同程度故障诊断实例验证该模型的有效性。

判别式正交线性局部切空间排列故障辨识

针对现有旋转机械故障诊断模式难以实现自动化、高精度和泛化性的关键问题,提出基于判别式正交线性局部切空间排列特征约简的故障辨识方法。该方法首先构造全面表征不同故障特性的时、频域特征集,再利用DOLLTSA将高维时、频域特征集自动约简为区分度更好的低维特征矢量,并输入到K-近邻分类器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;DOLLTSA综合利用局部几何结构和类判别信息进行流形解耦,并采用谱回归法和子空间正交化处理来优化低维嵌入子空间,提高了故障辨识精度。深沟球轴承故障诊断实例和空间轴承寿命状态辨识实例验证了所提方法的有效性。

正交判别的线性局部切空间排列的人脸识别

为了将线性局部切空间排列算法发展为有监督的学习算法,提出了一种正交判别的线性局部切空间排列算法。该算法首先利用样本数据的类别信息计算类间散度矩阵,然后再通过对原算法的目标函数进行修改来建立新的优化问题。在解出投影子空间的基础上,再通过进行正交化来得到投影的正交子空间。在两个标准人脸数据库上进行的实验表明,由于该算法使用了局部切空间来表示数据样本所在流形的局部几何结构,不仅融合了判别信息和正交化技术,并且兼顾了局部几何结构和判别结构的保持,因此提高了识别能力。

基于多尺度排列熵和线性局部切空间排列的机械故障诊断特征提取

机械设备监控系统收集的大量信号通常是包含多种自然振荡模式的非线性信号,这意味着单尺度特征提取无法表征这些非线性信号。而对于高维特征矩阵,也需要进一步提取主要的低维特征。针对这两个问题,提出了一种结合多尺度排列熵和线性局部切线空间排列(MPE-LLTSA)的非线性特征提取方法。首先通过MPE计算信号以获得具有高维度的多尺度特征。然后利用LLTSA挖掘嵌入的内在结构,实现低维特征提取。最后引入最小二乘支持向量机(LSSVM)来训练和识别低维特征。试验结果表明了该方法在机械模式分类和故障识别领域的应用潜力。

一种半监督邻域自适应线性局部切空间排列的故障识别方法研究

线性局部切空间排列算法(Linear local tangent space alignment,LLTSA)是能够较好应用于模式识别问题的降维方法,但由于其属于无监督的降维方法且在降维过程中只使用全局统一的邻域参数,使得在对高维数据集进行约简时,不能利用部分样本的类别标签信息且不能根据样本空间分布的变化调整邻域参数。针对上述问题,提出了一种半监督邻域自适应线性局部切空间排列算法(Semi-supervised neighborhood self-adaptive LLTSA,SSNA-LLTSA)。该算法在LLTSA的基础上,利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵来完成邻域构建,同时根据每个数据样本点邻域的概率密度自适应地调整邻域参数,进而得到更好的降维效果。经典的三维流形、UCI典型数据集模式识别和轴承故障诊断的实验结果表明,该算法克服了LLTSA算法无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。

基于几何距离摄动的局部切空间排列算法

局部切空间排列算法(Local Tangent Space Alignment)是一种具有严格数学推理的流形学习算法,能有效地学习出高维数据的低维嵌入坐标,但也存在一些不足,如对近邻点的选取依赖性较强、不适应处理高曲率分布、稀疏分布数据源。针对这些缺点,提出了一种基于几何距离摄动的局部切空间排列算法。利用几何摄动条件把样本空间划分为一组线性分块的组合,在每一个线性块上应用LTSA算法完成降维。实验结果表明了该算法的有效性。

基于判别改进局部切空间排列特征融合的人脸识别方法

改进型局部切空间排列(ILTSA)是最近提出的一种流形学习方法。基于对ILTSA的线性逼近和判别拓展,该文提出一种新的称为判别改进局部切空间排列(DILTSA)的特征提取方法,并给出了理论证明和算法分析。基于最大邻域间隔准则和ILTSA,DILTSA能够同时保持类内与类间局部判别几何结构。此外,提出一种增强型Gabor-like复数小波变换以缓解照明和表情变化对人脸识别的影响。通过融合Gabor-like复数小波变换和原始图像特征,能够进一步提高人脸识别的准确率。在Yale和PIE人脸数据库上的实验结果证明了所提方法的有效性。

局部切空间排列多姿态人耳识别

针对姿态偏转时人耳图像识别率显著降低的问题,将局部切空间排列算法用于二维人耳特征的提取,提出一种局部切空间排列多姿态人耳识别方法.通过分析人耳图像的特点提出局部最大线性片构建策略,并以远少于样本点个数的局部切空间拟合样本集,再全局排列得到人耳低维流形.实验结果表明,该方法明显提高了姿态偏转下的识别率,并且计算效率得到改善,是一种有效的多姿态图像识别方法.

局部切空间排列算法及其在人脸识别中的应用

目的探索基于流形学习的人脸识别方法,将流形学习中的局部切空间排列算法(LT-SA)应用于人脸识别.方法利用样本点领域的切空间表示局部的几何性质,将局部切空间排列起来构造流形的全局坐标;用高斯核近似映射关系;在降维空间中用线性判别分析技术(LDA)提取特征;使用最近邻分类器进行分类识别;在Yale和CMU PIE人脸数据库上进行仿真实验.结果实验表明在Yale数据库上LTSA+LDA算法比已有LLE+LDA方法、LLTSA方法平均识别率分别高7.22%、19.11%;在CMU PIE数据库上分别高3.71%、29.56%.结论笔者提出的LTSA+LDA算法能较为有效地将局部切空间排列算法应用于人脸识别,显著提高了识别率.

融合Gabor与局部切空间排列法的人脸识别算法

针对Gabor小波提取人脸特征存在维数高,计算复杂的问题,引入基于划分的局部切空间排列算法(Partitional Local Tangent Space Alignment)对得到的Gabor幅度特征(Gabor Magnitude Feature,GMF)进行降维,同时将主成分分析(PCA)和线性判别分析(LDA)引入到算法中,确定用最近邻分类器进行分类识别的最优投影子空间。通过在ORL人脸数据库上的实验证明了该算法的有效性,用Gabor小波提取特征对光照和表情变化等有良好的鲁棒性。

采用监督局部切空间排列算法的航空发动机磨损故障诊断

为解决传统特征提取技术难以处理具有非线性结构的复杂故障数据、影响故障诊断准确性的问题,将非线性维数约简技术——局部切空间排列引入航空发动机滑油光谱数据特征提取中,提出了一种基于监督局部切空间排列的发动机磨损故障诊断方法。该方法对非线性分布故障流形数据的内在几何特征进行捕捉,并将数据向低维故障特征空间进行非线性映射,完成故障特征的提取,最后在故障特征空间里构造分类器,完成磨损故障的识别诊断。采用某型发动机磨损故障滑油光谱数据开展实验,结果表明:与传统主元分析、线性鉴别分析特征提取方法相比,该方法能够更有效地提取出嵌入于故障数据中的非线性特征,提高了故障分类的准确率,并且只需采用简单的线性分类器就能具有很好的故障诊断性能。

有监督LLTSA特征约简旋转机械故障诊断

线性局部切空间排列(LLTSA)为无监督特征约简方法,对多域故障特征集进行维数约简,会导致故障解耦不完全、故障间仍然存在混叠。针对这个问题,提出有监督线性局部切空间排列(S-LLTSA)特征约简方法,将类判别信息融入特征约简过程,实现了数据集本征结构与类判别信息的有机结合,可提取出最优低维敏感故障特征向量;并通过自适应近邻分类器(ANNC)来构建故障特征向量与故障类别的对应关系。S-LLTSA特征约简有效地增加了故障特征的可辨识性,而ANNC具有优异的模式辨识能力,进一步提高了故障诊断的精度。齿轮箱故障模拟实验验证了提出的旋转机械故障诊断方法的有效性。

流形学习中非线性维数约简方法概述

较为详细地回顾了流形学习中非线性维数约简方法,分析了它们各自的优势和不足。与传统的线性维数约简方法相比较,可以发现非线性高维数据的本质维数,有利于进行维数约简和数据分析。最后展望了流形学习中非线性维数方法的未来研究方向,期望进一步拓展流形学习的应用领域。

流形学习中三种非线性降维算法的比较研究

介绍了流形学习中Hessian特征映射、拉普拉斯特征映射和局部切空间排列3种非线性降维算法的概念和实现步骤,并基于三维的Swiss Roll数据点集通过实验对3种算法在参数选择和运算效率等方面进行了比较分析,期望为不同应用提供参考.

基于流形学习的高光谱图像非线性降维算法

针对高光谱图像同一像元内存在多种地物种类,且地物之间具有多重反射,导致高光谱数据的非线性,采用传统的线性降维算法效果不佳等问题,提出利用流形学习的方法来寻找嵌入在高维观测数据空间的低维光滑流形,实现高光谱数据的非线性光谱降维。模拟和真实高光谱遥感数据实验结果表明,与传统的线性降维方法 PCA相比,经过等距映射、局部切空间排列等流行学习算法降维后的高光谱图像具有更好的光谱端元可分性。

基于非线性降维的高光谱混合像元分解算法

研究遥感图像处理混合像元分解问题,由于遥感图像中包含很多混合像元,影响图像的质量。传统的解混算法是以线性光谱混合模型为基础,因此解混精度不高。针对遥感图像中存在的非线性光谱混合,从数据统计的角度,提出一种基于光谱夹角距离的局部切空间排列算法进行非线性降维的光谱解混算法。首先通过基于光谱夹角距离的局部切空间排列算法将原始高光谱数据非线性降维到低维空间,再利用寻找最大单形体体积的方法提取端元,并用非负约束的最小二乘法计算各个端元的丰度。通过仿真和真实高光谱遥感数据实验结果表明,得到的分解结果优于测地线的最大单形体体积(GSVM)算法和N-FINDR算法,为提高遥感图像分解精度提供了参考。

基于邻域自适应LLTSA维数约简的故障诊断方法研究

针对线性局部切空间排列(LLTSA)在进行故障特征降维时邻域大小难以确定的问题,提出了基于邻域自适应线性局部切空间排列(NA-LLTSA)维数约简的故障诊断方法。即首先从机械振动信号中全面提取出高维的混合故障特征集;其次采用基于Parzen窗概率密度的邻域自适应线性局部切空间排列进行维数约简,获得低维特征;最后通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。NA-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。

基于LCD-LLTSA的电动汽车电机轴承故障特征频率提取

为有效提取出电动汽车电机轴承故障特征频率,将局部特征尺度分解、线性局部切空间排列和包络分析进行结合,用于电动汽车电机轴承的故障特征频率的提取。首先利用局部特征尺度分解对电动汽车电机轴承故障信号进行分解,得到若干个内禀尺度分量;然后利用线性局部切空间排列对由内禀尺度分量构成的矩阵进行降维处理,得到低维矩阵并以此进行信号重构;最后对重构信号进行包络谱分析,获得故障特征频率。仿真信号和实验信号的实验结果验证了方法的有效性。

一种基于非线性流形的滚动轴承复合故障诊断方法

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于非线性流形的滚动轴承复合故障诊断方法。该方法首先提取振动信号的时域指标和小波包频带分解能量所构成的频域指标,组成原始特征空间,采用基于判别准则的邻域因子优化选择算法,运用基于局部切空间排列算法的非线性降维算法对原始特征空间进行学习,极大地保留了信号中内在的整体几何结构信息,从而提取出振动信号最优的敏感故障特征。试验结果表明,与经典的线性降维方法相比,该方法的聚类效果更好。

基于图像形状特征和LLTSA的故障诊断方法

针对滚动轴承故障诊断问题,提出了一种基于图像形状特征和线性局部切空间排列(LLTSA)的故障诊断方法。首先采用SDP(Symmetrized Dot Pattern)方法对时域信号进行变换,得到极坐标空间下的雪花图像,在分析图像特点的基础上,从图像处理的角度初步提取出图像的形状特征;然后利用LLTSA对初步提取的特征进行维数约简以提取低维特征;最后采用支持向量机(SVM)对低维特征进行分类评估。滚动轴承的故障诊断实验表明图像形状特征能够表征轴承的状态,经LLTSA约简后特征数据的复杂度得到降低,且具有更好的聚类效果,而SVM对轴承4种状态的识别率也达到了100%,验证了该方法的有效性。