基于非线性降维IC特征的实车电池SOH估计

基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。

一种基于极大熵的快速无监督线性降维方法

现实世界中高维数据无处不在,然而在高维数据中往往存在大量的冗余和噪声信息,这导致很多传统聚类算法在对高维数据聚类时不能获得很好的性能.实践中发现高维数据的类簇结构往往嵌入在较低维的子空间中.因而,降维成为挖掘高维数据类簇结构的关键技术.在众多降维方法中,基于图的降维方法是研究的热点.然而,大部分基于图的降维算法存在以下两个问题:(1)需要计算或者学习邻接图,计算复杂度高;(2)降维的过程中没有考虑降维后的用途.针对这两个问题,提出一种基于极大熵的快速无监督降维算法MEDR. MEDR算法融合线性投影和极大熵聚类模型,通过一种有效的迭代优化算法寻找高维数据嵌入在低维子空间的潜在最优类簇结构. MEDR算法不需事先输入邻接图,具有样本个数的线性时间复杂度.在真实数据集上的实验结果表明,与传统的降维方法相比, MEDR算法能够找到更好地将高维数据投影到低维子空间的投影矩阵,使投影后的数据有利于聚类.

面向色彩再现的多光谱图像非线性降维方法

针对多光谱图像数据维数高导致图像色彩再现过程中数据处理复杂度高的问题,提出一种多光谱图像非线性降维方法。首先根据人眼视觉系统特征,用CIE标准观察者色匹配函数对源光谱进行加权,对加权光谱采用主成分分析(PCA)方法降维来提高降维的色度精度及光照变换时的色差稳定性;然后针对因色匹配函数加权降维引起的光谱损失,采用PCA方法对损失的光谱进行降维,补偿因色度精度提升引起的光谱损失,有效提高降维的光谱精度。最后根据应用精度要求用前两步获得的主成分组合形成降维后数据。实验结果显示,提出方法的平均光谱精度为0.013 9,平均色度精度为0.705 8,色差稳定性为1.950 6,比现有的线性变换PCA法和LabPQR法分别提高了14%,15%;47%,68%和82%,表明新方法在光照变换色差稳定性、光谱精度及色度精度3方面均优于现有其他算法。

高维数据中鲁棒激活函数的极端学习机及线性降维

极端学习机(extreme learning machine,ELM)训练速度快、分类率高,已经广泛应用于人脸识别等实际问题中,并取得了较好的效果.但实际问题中的数据往往维数较高,且经常带有噪声及离群点,降低了ELM算法的分类率.这主要是由于:1)输入样本维数过高;2)激活函数选取不当.以上两点使激活函数的输出值趋于零,最终降低了ELM算法的性能.针对第1个问题,提出一种鲁棒的线性降维方法(RAF-global embedding,RAF-GE)预处理高维数据,再通过ELM算法对数据进行分类;而对第2个问题,深入分析不同激活函数的性质,提出一种鲁棒激活函数(robust activation function,RAF),该激活函数可尽量避免激活函数的输出值趋于零,提升RAF-GE及ELM算法的性能.实验证实人脸识别方法的性能普遍优于使用其他激活函数的对比方法.

基于线性降维技术和BP神经网络的热红外人脸图像识别

结合线性降维技术与BP神经网络对热红外人脸图像进行了识别研究.首先利用主成分分析和线性判别分析对热红外人脸图像进行图像降维及特征提取,然后将提取出的热红外人脸图像特征向量用于BP神经网络的训练,得到一个鲁棒性和容错性较强的分类器,用这个分类器对热红外人脸图像进行分类识别.实验结果表明,由于所提方法在提取便于分类的模式特征基础上,采用神经网络作为分类器代替特征向量间的欧氏距离判别,获得了较高的热红外人脸图像识别率.

基于深度特征与非线性降维的图像数据集可视化方法

为了降低传统高维图像数据降维可视化带来的损失,提高数据可视化的效果,提出了一种基于深度特征与非线性降维相结合的图像数据集可视化方法。该方法首先设计并训练了一个卷积神经网络模型,模型在MNIST手写体图像数据集上取得了单模型最高的识别精度;其次,利用该高精度模型抽取图像数据的深度中间层特征,将该深度特征作为图像数据的有效表示;最后针对深度特征使用非线性降维方法将数据最终降低为二维,实现数据可视化。实验结果表明,该方法能够有效降低传统图像降维可视化方法中降维损失所带来的误差,可视化效果十分明显。

线性降维映射方法识别火山岩岩性

随着世界对油气资源的需求不断增加,火山岩油气藏的勘探和开发逐步成为油气储量、产量的新的增长点。火山岩岩性研究是火山岩油气储层研究的基础。常规的识别岩性方法不是很有效,作者曾用主成份分析方法来识别火山岩岩性,取得了一些效果,能够把基性岩,中性岩和酸性岩三大类岩石区分开来。但当岩性中也包括结构时,识别的效果就不是很理想,很难将流纹岩和流纹质凝灰岩区分开来。对岩石薄片鉴定,全岩分析以及综合测井曲线得到的火山岩岩样应用线性降维映射方法来识别,取得了很好的效果,它能将常规主成份分析方法很难区分的流纹岩和流纹质凝灰岩区分开来。

利用非线性降维方法预测膜蛋白类型

将氨基酸的组成含量以及它们之间的相关系数作为膜蛋白序列的特征向量,采用有监督的局部线性映射(SLLE)的方法对该向量进行降维,并使用最简单的欧氏距离分类器来预测膜蛋白类型.利用统计学中Self-consistency,Jackknife和Independentdataset3种典型方法检验SLLE的降维结果,取得了明显的效果.试验结果表明,SLLE算法能够成功地预测膜蛋白数据类型.

基于非线性降维的图像识别

通过单幅图像数据的高维化,将单幅图像转化为高维空间中的数据集合,对其进行非线性降维,寻求其高维数据流形本征结构的低维表示向量,将其作为图像数据的特征表达向量。从而将高维图像识别问题转化为特征表达向量的识别问题。大大降低了计算的复杂程度,减少了冗余信息所造成的识别误差。通过指纹图像的实例说明,将非线性降维方法应用于图像数据识别问题,在实际中是可行的,在计算上是简单的,可大大改善常用识别方法的效能。

非线性降维算法及其在医院绩效考核上的应用

流形学习算法中的等距嵌入算法(ISOMAP)具有对离群点敏感的瑕疵,针对此问题,提出利用基于共享近邻的距离度量方式,并充分利用了流形上对象的局部密度信息,有效改善了算法的性能,提高了算法的健壮性。同时,首次尝试将该改进的流形学习算法应用于医院绩效考核。人工数据与真实数据上的实验表明,改进的算法健壮且有效,在绩效考核上应用成功。

一种基于扩散映射的非线性降维算法

非线性降维方法旨在保持数据局部结构的同时,使不在一个邻域内的点之间的距离变得松弛.作为一种新的流形学习框架,扩散映射通过在扩散过程中保持扩散距离进行降维.基于扩散映射的理论背景,建立了多层谱分解的数值算法,并具体给出了用扩散映射进行非线性降维的算法.实验结果表明,与传统的非线性降维方法相比较,该算法能够发现非线性高维数据的本征维数,并且对噪声具有很好的鲁棒性.

因子分析判别准则的线性降维方法研究

提取稳定且具有判别性的低维特征是模式识别研究中的关键问题。在深入研究Fisher判别准则的基础上,从因子分析的实际角度考虑,提出基于因子分析的判别准则,解决Fisher判别准则类内和类间散布矩阵非最优定义问题。通过在合成数据集和真实人脸数据集上进行实验比较表明,该方法在解决数据集中的边缘类和人脸的表情、姿态变化等问题上比Fisher判别准则更优。

针对环状流形数据的非线性降维

近年来出现了多种新型的非线性降维方法,且在一些应用中体现出良好的效果.然而,当面对球体、柱体等环状流形产生的非线性流形数据时,这些方法往往会失效.针对这一问题,提出了针对环状流形数据的环结构检测算法与非线性降维方法.理论上,基于目前极受关注的Isomap降维方法的运行原理,给出了一个判断环状流形的充要条件;算法上利用所得的判断定理,制订了基于数据的环状流形检测算法:最后基于所找到的环结构,利用极坐标展开的思想设计了针对环状流形数据的非线性降维策略.针对一系列典型环状流形数据集的仿真实验结果表明,与其他流形学习降维方法相比,该方法对环状流形数据进行降维具有显著优势.

人体运动的非线性降维及新运动生成

为了提高现有运动数据的可重用性,生成更为丰富的新运动,提出快速自适应比例高斯过程隐变量模型,以及基于该模型的人体运动数据降维及运动生成方法.通过对运动数据进行统计学习,获得运动数据在隐空间的一个低维映射来实现非线性降维,同时获得了该运动的姿态空间的概率分布,其大小反映了该姿态的自然逼真程度;在给定末端约束条件下求取满足约束的、同时概率最大的姿态,并将其作为逆向运动学的解,克服了传统逆向运动学算法计算烦琐、效果不逼真的缺点.实验结果表明,该模型具有更快的收敛速度和更高的收敛精度,同时能够自适应运动编辑的方向,有效地扩大运动的可编辑幅度.

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。

基于非线性降维的虹膜识别方法

在虹膜识别的研究和应用领域,虹膜特征提取是虹膜识别中的核心技术,传统的特征提取算法都为滤波的方法,实现过程计算较为复杂。为了解决虹膜特征提取中计算复杂的问题,应用非线性降维LaplacianEigenmap算法实现人眼虹膜图像的特征提取,降维问题就是寻找从高维空间到低维空间的映射,从而达到简化计算的目的。统计理论分析识别数据的结果表明,较大地改善常用方法的效能,获得了较好的识别效果。

两类非线性降维流形学习算法的比较分析

流形学习(Manifold Learning)算法是近年来发展起来的非线性降维机器学习算法。目前的流形学习算法大体可以分为两类:全局的(如等度规映射)和局部的(如局部线性嵌套),它们有各自的优点和不足。以等度规映射(ISOMAP)和局部线性嵌套(LLE)为例,通过实验比较分析了这两类算法在参数选择、前提条件和执行效率上的特点,期望为不同应用提供参考。

0-1背包问题的非线性降维近似算法

求解0-1背包问题的精确算法不能在较短时间内求解大规模0-1背包问题,使其实用性受到限制.针对该问题,给出求解0-1背包问题的非线性降维算法,并进行了数值实验,验证了算法的有效性.该算法属于近似算法,相对其他一些近似算法,计算结果更为精确.