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。

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.

局部线性下的函数型主成分聚类算法

函数型聚类分析在统计学领域被广泛关注,其分析过程通常在降维目标实现后进行。为了有效解决函数型主成分聚类问题,文章结合局部线性嵌入算法(Locally Linear Embedding,LLE)在非线性空间下的适用性,提出了一种局部线性下的函数型主成分分析模型(LLE Function Principle Component Analysis,LFPCA)。首先,采用函数型主成分分析法作为降维目标方法,改进了FPCA的算法模型,通过将LLE算法的权重系数矩阵与函数型主成分定义相结合,构建出一个适用于非线性空间下的聚类算法;其次,在求解算法的过程中定义了函数型主成分得分,并结合EM算法构建出GMM模型来近似函数型算法的概率密度函数,使模型更高效且适用性更强;最后,通过随机模拟实验及应用分析验证了LFPCA算法模型在真实数据集上具有良好的聚类效能。

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。

一种基于多流形局部线性嵌入算法的故障诊断方法

故障类别的多样性往往导致原始样本数据在特征空间中呈间断性分布,针对传统k近邻的邻域构建方法难以保证数据集几何结构完整性的问题,提出一种新的非线性最小二乘约束-局部线性嵌入算法。通过非负线性最小二乘约束搜索边界点,并结合第一主成分直线寻找其邻域样本点,重新构造关于边界点的邻域图,用经典的局部线性嵌入算法机理发现数据内在分布和几何结构,根据得到的低维嵌入采用KNN分类器进行故障模式识别;仿真数据分析与试验验证结果表明该算法高度保持了原始数据的几何拓扑结构,增强了低维嵌入的有效性,提高了故障识别精度。

稳健局部线性嵌入方法

针对局部线性嵌入方法对于噪声的敏感性,从分析噪声对数据集局部特性的影响入手,提出了稳健局部线性嵌入方法。通过与局部线性嵌入方法的理论分析和实例对比,表明稳健局部线性嵌入方法不仅对噪声影响不敏感,而且对邻域的选择有较好的适应性,可更好地挖掘数据集的本征特性,具有更强的数据可视化能力。

利用局部线性嵌入的模态识别

提出了一种新的利用局部线性嵌入的模态识别方法。该方法以流形学习为理论基础,从提取结构的几何或固有特征出发,以系统结构的响应数据为分析对象,可识别出结构的模态参数。该方法的基本思想是,将结构的响应看作一个高维数据集,将系统的模态看作高维数据集的本质结构与固有特征,然后通过求解数据的低维嵌入进行模态参数识别。圆柱壳仿真结果表明:提出的利用局部线性嵌入的模态识别方法能够有效地进行模态参数识别;随着阻尼系数的增加,对于贡献量较大的模态,利用局部线性嵌入的识别效果优于基于主成分分析的识别效果。

一种自适应局部线性嵌入与谱聚类融合的故障诊断方法

针对数据维数高、非线性且从高维观测空间分析数据模式困难的问题,将改进的流形学习算法引入到数据聚类中,提出了一种结合自适应局部线性嵌入和递归调用规范切融合的新方法.采用自适应局部线性嵌入对原始数据进行非线性降维,应用递归调用规范切对低维空间数据进行聚类,通过对3组UCI标准测试数据集的仿真实验表明,新方法能够将高维数据有效地映射到低维本质空间,克服了传统方法对数据集结构的依赖性,从而显著提高了谱聚类算法分类的准确性和稳定性.同时,对于田纳西-伊斯曼过程的数据实验,表明了该方法对故障模式识别的可行性和有效性.

应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定.针对此问题,本文提出了相关近邻（CN）LIE（CN-LLE）和相关最近邻分类（CNN）算法.提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类.在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE＋ CNN算法比LLE、LLE＋CNN和CN-LLE等算法的总分类精度提升了2.11％～11.55％,Kappa系数提升了0.026～0.143.由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类.

基于局部线性嵌入的视频拷贝检测方法

该文提出了基于局部线性嵌入(LLE)的视频哈希方法,该方法首先利用一个图模型选取代表帧,然后以四阶累积量作为视频在高维空间的特征并利用LLE对视频进行降维,利用视频在3维空间中投影点的范数构造视频哈希序列来实现视频拷贝检测。实验证明该方法具有较好的鲁棒性和区分性。

小波包-局部线性嵌入算法在滚动轴承故障程度识别中的应用

对滚动轴承不同性能退化程度进行识别是性能退化评估的前提。为了提高性能退化程度的识别准确率,提出一种基于小波包与局部线性嵌入算法相结合的滚动轴承故障性能退化程度识别方法。首先计算单个样本振动信号的时域、频域指标,再对振动信号进行小波包分解并重构,提取节点信号的时域、频域指标和奇异值构造特征向量,并将多个样本的特征向量排列组合成特征矩阵,然后利用局部线性嵌入算法对特征矩阵当中的特征维数进行约简。最后利用支持向量机对滚动轴承不同性能退化程度进行识别,验证提出方法的可行性和有效性。实验表明,该方法可以准确地识别出滚动轴承不同性能退化程度。

基于监督局部线性嵌入算法的玉米田间杂草识别

杂草精准识别是实现农药定向定量喷洒的基础,是精准农业重要的研究课题之一,对环境保护和生产成本控制都有着重要的现实意义。该文以玉米田间常见杂草为研究对象,首先通过超绿特征去除田间复杂背景的影响,然后采用形态学方法自动分割图像中绿色植物区域作为待判别为杂草或作物的识别对象,之后采用基于Fisher投影的监督LLE(locally linear embedding)方法对样本的高维灰度特征进行降维,在低维空间结合支持向量机实现了杂草的快速识别。试验结果表明,该识别方法能更好地发现杂草与玉米的低维特征,对杂草和玉米植株的平均识别率分别达到97.2%和77.8%。该研究结果可为精准喷洒除草剂的自动化实现提供参考。

基于局部线性嵌入的小样本组合预测方法

组合预测可以提高预测结果的稳定性。在样本容量较小时,基于权重估计的组合预测模型容易导致巨大的估计误差而影响预测效果;特别是在回归框架下,还可能出现预测模型多于用于组合预测的样本数量,导致回归系数无法估计的问题。文章将降维技术中基于流形假设的局部线性嵌入算法引入到小样本组合预测中,以改进基于回归组合模型的预测效果。

基于相对流形的局部线性嵌入

局部线性嵌入算法极大地依赖于邻域是否真实地反映了流形的内在结构,现有方法构造的邻域结构是拓扑不稳定的,对噪音和稀疏数据敏感.根据认知的相对性规律提出了相对变换,并用其构造了相对空间和相对流形.相对变换可以提高数据之间的可区分性,并能抑制噪音和数据稀疏的影响.在构造的相对空间和相对流形上确定数据点的邻域能够更真实地反映流形的内在结构,由此提出了增强的局部线性嵌入算法,明显地提高了性能,特别是基于流形的方法还同时提高了速度.标准数据集上的实验结果验证了该方法的有效性.

基于局部线性嵌入算法的化工过程故障检测

随着工业过程日趋复杂,系统安全及产品质量的在线监控也变得日益重要。针对化工过程的非线性特点,提出了一种新的基于局部线性嵌入(locally linear embedding,LLE)流形学习算法和支持向量数据描述(sup-port vector data description,SVDD)的故障检测方法。首先,使用LLE提取高维数据的低维子流形,进行维数约减,以保存更多原有系统的非线性特性,通过局部线性回归得到高维数据空间到低维特征空间的映射矩阵,保证了算法的实时性;然后,为了避免数据噪声的累加对传统统计量的影响,引入SVDD直接根据特征空间建立SVDD模型,构造统计量并确定其控制限;最后,通过数字仿真及Tennessee Eastman(TE)过程仿真研究验证了本文方法的有效性。

基于局部线性嵌入的人工智能台风强度集合预报模型

利用局部线性嵌入算法通过学习挖掘高维数据集的内在几何结构,高效地实现维数约简和特征提取的能力,论文以2001—2012年共12年6—9月西北太平洋海域内生成的台风样本为基础,将气候持续因子作为台风强度的基本预报因子,采用局部线性嵌入的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的粒子群算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风强度预报模型的建模研究。在建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行预报试验。试验对比结果表明,前者较后者在6、7、8和9月24 h台风强度预报中,平均绝对误差分别下降了23.34%、24.46%、19.41%和27.45%,4个月的平均绝对误差下降了23.10%;48 h台风强度预报中,6—9月平均绝对误差分别下降了44.82%、16.73%、0.89%和49.26%,4个月的平均绝对误差下降了25.54%。进一步研究发现,在变动局部线性嵌入算法忌近邻个数的情况下,建立的台风强度集合预报模型,其预报结果稳定可靠,相对于气候持续法均为正的预报技巧水平,为台风强度客观预报提供了新的预报工具和预报建模方法。