基于Hessian局部线性嵌入和MLP-Mixer的液体火箭发动机涡轮泵轻量化故障诊断框架

作为液体火箭发动机推进剂输送系统的关键部件,涡轮泵的运行状态直接影响着整个运载系统的性能,然而,现有的故障诊断方法往往面临特性参数选择片面及计算复杂度高等问题。针对上述局限,提出了面向涡轮泵的轻量化故障诊断框架。所提方法利用Hessian局部线性嵌入算法对信号时域、频域及时频特征进行降维,并引入一种轻量化的深度学习模型MLP-Mixer作为分类器,进而实现不同故障状态的辨识。采用某型号涡轮泵试车数据验证了所提方法的有效性,结果表明,该方法能够在保障诊断精度的同时有效降低计算复杂度,提高诊断效率。

基于共享近邻加权局部线性嵌入的轴承故障诊断

针对传统局部线性嵌入算法在挖掘局部流形结构时未充分考虑样本邻居分布信息,且在降维过程中默认样本具有相同的重要性导致提取鉴别特征不明显的问题,提出基于共享近邻的加权局部线性嵌入(weighted local linear embedding based on shared neighbors,SN-WLLE)算法,并用于滚动轴承故障诊断.该算法首先使用余弦距离划分样本邻域;其次计算样本邻域对相似度用以评估样本共享近邻信息,并结合样本的6种邻居分布修正局部结构挖掘,提高多共享近邻的k近邻重构准确性;接着从多流形的角度评估样本点与近邻点间的稀疏分布一致性,以获得样本的重要性指标,并在低维空间保持该信息,进而提取准确的鉴别特征;最后结合KNN分类器构建出完备的轴承故障诊断模型.采用凯斯西储大学轴承数据集和实验室测试平台轴承数据集,从可视化评估、定量聚类评估、故障识别精度评估及鲁棒性评估等方面进行分析.结果表明:SN-WLLE算法的F值保持在108以上水准,平均故障识别精度最低可达0.9734,不仅具有较好的类内紧致性与类间可分性,还对近邻参数k具有低敏感性.

基于自适应邻域参数的局部线性嵌入算法的脑力负荷分类

近年来,随着人工智能领域技术的不断发展,人机交互领域吸引了更多学者的关注。研究表明由脑电图(electroencephalogram,EEG)提取的特征功率谱密度对于脑力负荷的变化比较敏感,但由于其维数过高,容易造成数据灾难。局部线性嵌入(locally linear embedding,LLE)是常用的非线性降维算法,该算法弥补了传统线性降维算法无法发现数据中非线性结构关系的不足。由于不同数据集中样本分布的稀疏程度和扭曲程度不同,在使用LLE对不同数据集进行降维时的最佳邻域参数也不同。利用样本点之间的欧氏距离和测地距离的关系量化了数据集的扭曲程度,自适应邻域参数的局部线性嵌入算法(variable k-locally linear embedding,VK-LLE)动态地调整每一个数据集的最佳邻域参数,解决了样本分布扭曲程度不同对降维效果造成的干扰。实验结果表明,经过VK-LLE降维后的数据使用支持向量机(support vector machine,SVM)分类精度普遍高于经过传统LLE的降维后再使用SVM分类的精度,对复杂数据集有更强的适应能力。

基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。

基于网格过滤的局部线性嵌入法在商业大数据高维离群点检测中的应用研究

大数据是重要的生产要素,而商业大数据的使用是大数据应用的典型代表,并且它对于提升社会生产力变得越来越重要。为了提高商业大数据中高维数据离群点的检测效率,本文提出了基于网格过滤的局部线性嵌入法。根据数据集的维度,先将数据集利用角度方差方法将它分解为相互联系且有相关内容的子空间。对于高维数据集,利用空间密度稀疏矩阵将其进行分解,获取离散程度,然后利用特定数据模型,采集离群点。最后利用角度方差,修剪所采集的数据,从而实现商业大数据高维数据离群点的高效率检测。

基于熵权距离的图正则局部线性嵌入算法

针对局部线性嵌入(Locally Linear Embedding,LLE)算法在挖掘数据结构时未考虑特征权重且仅局限于数据的线性拟合关系,导致特征提取效果不佳的问题,提出一种基于熵权距离的图正则局部线性嵌入(Graph Regular Local Linear Embedding Algorithm Based on Entropy Weight Distance,EWD-GLLE)算法。首先,采用信息熵加权的余弦距离划分样本邻域,减小不重要特征对邻域划分的影响,提高了邻域划分的准确性;然后,利用融合热核权重与余弦权重的拉普拉斯图约束低维嵌入,以保留更多的原始数据信息,进而提取到更显著的特征。在两种轴承数据集上的实验结果表明:EWD-GLLE算法的特征提取性能明显优于LLE、LTSA、LDA算法。

结合局部线性嵌入与种子信息流的交互式图像分割算法

交互式图像分割是指在分割过程中引入少量的用户指引分割出目标对象,是图像处理最基本的任务之一。现有方法通常需要构建非二次能量函数,并且普遍存在缺乏唯一解、分割精度低等问题。为进一步提高分割质量,提出一种结合局部线性嵌入和种子信息的交互式图像分割算法(seed information combined with local linear embedding,SILLE)。该算法考虑像素点的局部信息以及先验信息,将标记种子点的信息融入到新构建的能量函数中,以一种有效且快速的最小化方案得到能量函数的唯一且最优解,从而获得更加准确的分割结果。最后在不同数据集上,与不同方法进行多种指标的对比,验证了算法的有效性和可行性。

基于全局约束的局部融合线性嵌入算法的轴承故障诊断

提出一种基于全局约束的局部融合线性嵌入方法,该方法首先在原始空间对数据进行低秩约束,捕捉数据的全局子空间结构,同时去除数据噪声;其次分别在低秩子空间和原始空间中挖掘数据的两种几何结构;然后,通过重构误差评估两种结构的重要性,实现两种结构的线性融合;最后,构建数据的低维重构函数,完成数据显著特征的提取。在标准的轴承数据集与实验室采集的数据集上进行验证,结果表明:所提方法能够很好地利用数据的全局信息以及局部重构信息,更具鲁棒性,故障识别率也得到了相应的提高。

基于局部线性嵌入的特征融合方法在岩石破裂状态分类的应用

为了获取岩石破裂过程有效的声发射信号特征,更好地对岩石破裂状态进行分类,提出一种基于流形学习算法的局部线性嵌入特征融合方法进行数据降维。以红砂岩为研究对象设计室内单轴压缩实验采集信号,然后对原始声发射信号预处理并对信号进行特征提取,以时域、频域下的特征向量重新组合成一组新的多维特征向量,采用主元分析和流形学习局部线性嵌入算法分别进行降维。比较两种算法降维后融合特征的聚类效果二维和三维分布图,使用局部线性嵌入算法降维后,4种状态分布相对更近,呈一条水平线趋势,且各状态交叉混叠数目较少,第一状态没有一个样本错判,且4个状态相比于主元分析降维后的聚类效果更集中。再比较两种算法降维后融合特征的敏感度之和,局部线性嵌入算法融合特征敏感度之和远大于主元分析算法,说明经过局部线性嵌入算法降维后得到的融合特征更多地表征了原始信号包含的局部信息,同时证明了局部线性嵌入算法相比主元分析算法具有更好的聚类效果。最后经局部线性嵌入特征融合下的砂岩破裂状态分类实验验证,融合特征后的识别率相对单一的时域特征识别提高了6%。该方法能显著提高岩石破裂状态分类的识别率,降维性能相对突出。

基于多信息融合的自适应局部线性嵌入算法

局部线性嵌入算法LLE的降维性能与挖掘的流形结构密切相关,但LLE挖掘的流形结构单一,并且对邻域参数选取敏感,无法提取全面的流形局部结构,限制了LLE的降维性能。为此,本文提出基于多信息融合的自适应局部线性嵌入算法MIF-ALLE。MIF-ALLE首先利用切空间近似判据自适应选择邻域参数,获取更准确的局部邻域;然后,将局部邻域中蕴含的切空间角度信息与局部线性信息相融合,挖掘更全面的流形局部结构,降低局部低维嵌入的偏差;最后,在公开轴承数据集以及实验室提取的轴承数据集上进行实验验证。实验结果表明:MIF-ALLE可以挖掘更全面的流形结构,提取更显著的特征,轴承故障诊断准确率最高可达100%。

基于特征相关性的局部线性嵌入算法

由于特征提取是数据挖掘的基础工作,而其质量对挖掘结果有很大影响,为此针对局部线性嵌入(LLE:Locally Linear Embedding)算法并未考虑同一数据的不同特征之间的相关性,不能较好地保留时间信号的主要形态趋势,提出了基于特征相关性的局部线性嵌入(CC-LLE:Local Linear Embedding Algorithm Based on Characteristic Correlation)算法,并应用于轴承故障诊断。针对轴承故障信号周期性特点,该算法在特征提取阶段对数据进行分段操作,选取各分段上的标准偏差作为特征,构造原始数据的特征样本集,从而有效提取鉴别特征。通过在轴承数据集上进行实验验证了该算法在特征提取方面的有效性。

一种面向分类的核局部线性嵌入算法

局部线性嵌入算法(LLE)已被广泛运用于模式分类,但它存在两个缺点。首先LLE是一种无监督学习方法,没有很好地利用类别信息;其次,LLE算法假设数据在局部上的分布是线性的,如数据非线性分布则效果有限。对此,提出了一种解决分类问题的核局部线性嵌入算法。利用KLLE算法的思想寻找样本的内在流形分布,并通过重构误差来判定该样本的类别。所提方法考虑了样本的类别信息,也适合于处理局部非线性分布的数据。在Yale人脸库的实验结果验证了其有效性。

基于加权局部线性嵌入的植物叶片图像识别方法

局部线性嵌入(LLE)是一种经典的流形学习算法,它通过保持近邻样本点之间的最小重构权值不变,将原始样本点投影到低维空间。但由于LLE对噪声比较敏感,为了提高LLE的鲁棒性,提出了一种加权LLE(WLLE)算法。首先,利用热核函数计算每个样本点的重要性值;然后将每个样本点的重要性值加入到LLE算法的代价函数中,使得噪声点和样本外点得到了很好抑制。最后由真实的植物叶片图像数据库上的实验结果证实了WLLE算法的有效性和可行性。

一种用于人脸识别的监督局部线性嵌入算法及其改进

为了提高人脸识别算法的识别率,提出一种基于监督局部线性嵌入SLLE(Supervised Locally Linear Embedding)的人脸图像识别方法。对局部线性嵌入LLE(Locally Linear Embedding)算法进行改进:①计算低维嵌入时,给稀疏矩阵M先加上一个单位阵,然后再计算它的特征值和特征向量,较好地解决了矩阵奇异问题;②针对LLE算法非监督的缺陷,在构造邻域的时候,增加数据的类别信息,根据其所属类别来判断样本的近邻。在Yale和ORL人脸库上的实验结果表明,该算法能够有效地提高人脸识别的性能。

半监督局部线性嵌入算法在人脸识别中的应用

提高人脸识别算法的识别率,提出一种基于半监督局部线性嵌入(Semi-Supervised Locally Linear Embedding,SSLLE)的人脸图像识别方法。针对局部线性嵌入(Locally Linear Embedding,LLE)算法非监督学习的缺陷,引入半监督思想,在构造邻域的时候利用部分样本的标签信息来重新调整距离矩阵;使用调整后的距离矩阵进行线性重建从而实现数据降维。在Yale和ORL人脸库上的实验结果表明,能有效的提高人脸识别的性能。

基于监督局部线性嵌入的飞机目标识别方法

维数约简是目标识别的一个重要预处理步骤。由于飞机目标图像对各种空间变换(包括平移、尺度、旋转等变换)和观察角度、位置以及光照等因素都比较敏感,使得很多线性维数约简算法不能有效地用于飞机目标识别。局部线性嵌入(LLE)是一种有效的非线性维数约简方法,提出了一种基于LLE的监督LLE算法,并应用于多种条件下的飞机目标识别中。实验结果表明,该方法是有效可行的。

基于核局部线性嵌入算法的图像去噪方法

利用局部线性嵌入算法进行图像去噪时,如果局部近邻样本呈现非线性关系,图像去噪效果会受到影响。针对该问题,提出基于核局部线性嵌入算法的图像去噪方法。通过非线性核函数将样本映射到高维线性空间,在高维空间运用局部线性嵌入算法进行图像去噪。实验结果表明,该方法能有效地对高维非线性图像进行去噪,性能优于中值滤波算法和局部线性嵌入算法。

自适应局部线性嵌入算法

局部线性嵌入算法(LLE)因其较低的计算复杂度和高效性适用于很多降维问题,新的自适应局部线性嵌入(ALLE)算法对数据进行非线性降维,提取高维数据的本质特征,并保持了数据的全局几何结构特征,对比实验结果表明了该算法对于非理想数据的降维结果均优于LLE算法。

基于监督局部线性嵌入的中药材分类鉴别研究

电子鼻所采集的中药材气味信息往往具有高维性和非线性。针对气味信息的这种特性,提出一种基于监督局部线性嵌入(SLLE)和线性判别分析(LDA)的气味数据分析方法。利用SLLE对所采集的高维非线性气味信息进行降维,目的是提取出气味数据内在的低维流行特征,并增大类别间的辨别信息;然后在低维空间中,利用LDA进行特征分类判别。通过实验,分别将该方法与单独使用SLLE及PCA+LDA方法进行对比分析,结果表明,该方法可以很好地对五种不同种类的中药材及三种不同产地的何首乌进行分类鉴别,其个体识别率和整体识别率均可达到100%,为使用电子鼻对中药材进行分类鉴别提供了一种行之有效的方法。

邻域参数动态变化的局部线性嵌入

局部线性嵌入是最有竞争力的非线性降维方法,有较强的表达能力和计算优势.但它们都采用全局一致的邻城大小,只适用于均匀分布的流形,无法处理现实中大量存在的非均匀分布流形.为此,提出一种邻域大小动态确定的新局部线性嵌入方法.它采用Hessian局部线性嵌入的概念框架,但用每个点的局部邻域估计此邻域内任意点之间的近似测地距离,然后根据近似测地距离与欧氏距离之间的关系动态确定该点的邻域大小,并以此邻域大小构造新的局部邻域.算法几何意义清晰,在观察数据稀疏和数据带噪音等情况下,都比现有算法有更强的鲁棒性.标准数据集上的实验结果验证了所提方法的有效性.