LLE算法及其应用

LLE算法针对非线性降维问题,利用线性重构的局部对称性找出高维数据空间中的非线性结构。并在保持各数据点临近位置关系情况下,把高维空间数据点映射为低维空间对应的数据点。其计算步骤包括:计算、寻找数据点或邻居数据点、构造数据点及计算权值矩阵,并通过权值矩阵计算低维向量。

基于改进LLE算法的机械故障特征压缩与诊断

局部线性嵌入法(locally linear embedding,LLE)是一种典型的流形学习算法。在分析LLE算法的基本计算思路的基础上,提出了一种基于最佳分类效果的k和d综合参数选择方法。此方法综合考虑了故障类内和类间的离散度,并以此作为LLE算法特征压缩效果的评价依据。根据LLE算法的局部线性特征保持的基本特点,提出了一种增量式LLE算法用于柴油机机械故障特征压缩与诊断中。以平均子带能量法构造特征向量空间,子带数目的确定以同种故障类型特征参数间方差最小为准则。实验中,分别使用基于最佳参数选择的LLE算法、传统的主成分分析(principal component analysis,PCA)、增量式LLE算法对柴油机特征向量进行压缩,并对这三种算法的特征压缩结果运用K近邻算法(K-nearest neighborm,KNN)进行故障诊断与分类。结果表明基于最佳参数选择的LLE算法的诊断分类效果要优于传统的PCA方法,增量式LLE算法也取得良好的分类效果。实验表明,对LLE算法进行有关改进可以很好地应用到机械故障特征压缩与诊断中。

LLE算法及其在手写文字识别中的应用

手写体识别有着广阔的应用前景和很高的理论价值,其主要分为在线识别和离线识别两种。在分析局部线性嵌入算法LLE和文字识别过程的基础上,实现了整个手写文字识别过程,包括图像获取、预处理、特征提取、分类、LLE降维、识别输出等过程。通过文字的相容度试验,确定了本过程的有效性。

LLE算法的模态识别及影响因素研究

局部线性嵌入算法(LLE)是一种实现对高维数据降维的流形学习算法,可基于结构响应数据进行模态参数识别,算法的噪声敏感度和稳定性对参数识别精度具有重要影响。本文以一块复合材料板为研究对象,利用LLE算法对其振动响应数据进行降维处理从而实现模态识别,重点分析了该算法的噪声敏感度和其在不同采样频率下的流形特征稳定性,同时利用模态置信准则(MAC)衡量LLE算法提取得到的振型与有限元振型的相关性。结果表明,利用LLE算法识别的模态参数具有较高的精度,且LLE算法具有较强的抗噪声干扰能力,采样频率对LLE算法的影响与采样定理相一致。

基于结构特征与LLE算法的数字仪表校验系统

针对数字仪表校验人工读取数据时存在的误差问题,提出一种基于多特征与局部线性嵌入算法(LLE)结合的数字仪表校验方法。首先将字符图像从RGB转换到HSI色彩空间,在I空间对图像进行分割,并利用投影法分割出单个字符;然后对字符图像提取结构特征,由于单纯的结构特征对字符的描述不足,导致识别精度较低,故文中利用LLE算法对字符二值图像降维,将降维后的像素特征与结构特征相结合;最后,利用支持向量机(SVM)对字符特征进行识别。实验结果显示,所提方法提高了校验系统的字符识别率。

基于改进距离的LLE算法在人脸识别中的应用

本文针对局部线性嵌入算法(locally linear embedding,LLE)中近邻点个数K的选取对结果的敏感性,提出了将改进距离的LLE算法与支持向量机分类算法相结合的人脸识别方法。通过实验,在K值相等的情况下,改进的LLE算法在人脸识别过程中的效果要比单纯的LLE算法要好。

基于改进LLE算法的山东烟叶香型风格分析研究

为实现烟叶风格的快速鉴别,根据烟叶近红外光谱高维、非线性、冗余的特点,在局部线性嵌入(Locally Linear Embedding,LLE)算法的基础上,提出了一种改进LLE非线性降维算法。采用具有确定香型风格特征的基准参比样品建立了香型风格投影模型和判别模型,并与PCA、LLE降维方法进行了比较。结果表明该方法能够有效的对烟叶香型风格进行快速鉴别,准确率较高。应用该模型对2013年山东6大生态产区200个烟叶样品进行了分析,分析结果与以往专家的感官评吸结果基本一致。

LLE算法中有关参数选取问题的研究

本文针对locally linear embedding (LLE)算法中的两个参数:近邻点的个数k和降维后输出的维数d如何选取的问题,对LLE算法进行了改进。首先对降维的相关知识进行了描述,并具体介绍了对高维数据进行降维的目的。其次,讨论了LLE算法的基本思想和计算步骤。最后,针对LLE算法中存在的问题进行了分析。

基于GPU的LLE算法加速及性能优化

为提高非线性数据降维算法效能,分析这类算法的特点,综合考虑KNN计算和解决Sparse特征值两个问题,提出将LLE算法中的KNN搜索算法及大型稀疏矩阵解特征值这两个部分并行在GPU的运算平台上,通过这种方法来加快所有基于LLE发展而来的数据降维技术的执行时间。仿真计算结果表明,在KNN方面整体加速可达40至50倍,在解大型稀疏矩阵特征值的部分加速至10倍左右。整体来说,数据降维算法加速10倍左右,有效运用GPU提高了LLE这类算法的性能。

基于D-LLE算法和图像分块的人脸识别方法

人脸识别是当前计算机视觉领域的一个研究热点,在日常生活中的应用也非常广泛。近年来,流形被认为是视觉感知的基础,利用流形学习算法可以寻找图像的内在特征。文章提出一种基于差异性值监督LLE(D-LLE)算法和图像分块的人脸识别方法,首先对提取的人脸图像进行分块,然后利用D-LLE算法进行人脸子图像集特征提取,最后使用最近邻分类器进行人脸图像识别。通过与现有人脸识别方法进行仿真结果比较,该方法能够取得较好的识别效果。

图象检索中的ISOMAP算法与LLE算法及其比较

高维数据空间流形中有意义的低维嵌入是一个经典难题。ISOMAP是一种有效的基于流形理论的非线性降维方法,它不仅能够揭示高维数据的内在结构,还能够发现潜在的低维参数空间。ISOMAP的理论基础是假设在高维数据空间和低维参数空间存在等距映射,但并没有给出证明。而LLE算法能够实现高维输入数据点映射到一个全局低维坐标系,同时保留了邻接点之间的关系,这样,固有的几何结构就能够得到保留。LLE算法不仅能够有效地发现数据的非线性结构,同时还具有平移、旋转等不变特性。通过这2种算法的比较得出了结论,并提出了部分问题供后续探讨。

对LLE图像超分辨率算法的几个改进

本文旨在对一种经典的图像超分辨率方法--LLE算法(局部线性嵌入算法)及其代码进行一些改进和优化。为提高对大量图像块的搜索速度,我们采用kd树算法整理样本集;鉴于像素点灰度值的非负性,我们采用非负最小二乘法而不是LLE原来的最小二乘法,确定低分辨率图像块与训练样本集中k最邻近图像块的回归系数;最后,考虑到样本集选取和变换会对实验结果造成影响,我们对训练样本图像的若干因素进行一系列组合,通过正交实验设计得出样本集的最佳选取标准。实验表明,改进后的LLE图像超分辨率算法相比传统的图像插值算法和原LLE算法,效果有较大的改进。

一种改进的监督LLE织物检测算法

论文提出一种基于Gabor滤波簇的改进的监督LLE织物检测算法,并用该算法对织物疵点进行仿真实验。实验表明,论文算法能有效突出织物疵点显著性特征,并提高检测准确率,同时优化了检测时间。

基于最小剩余方差的LLE改进算法

针对局部线性嵌入算法LLE算法在当流形呈卷曲状、两个曲面间距离比较小时,可能造成流形结构在重构过程的扭曲,以及近邻个数K,降维维数D值选择过程中没有一致的标准导致的降维效果下降等问题,提出一种基于改进距离的并根据剩余方差来智能选取参数值的LLE算法。该算法通过引入新的距离度量公式来替代原有算法中的欧氏距离,并根据K,D值引入剩余方差来评估高维数据结构嵌入到低维空间的效果好坏。该方法在UCI数据集和yale人脸库中进行了验证。MATLAB编程实验结果表明,该方法在选取参数值和识别率方面比传统方法有更好的性能。

一种提高文本分类效果的改进流形学习算法

流形学习算法在模式识别领域有着重要应用,针对文本分类数据的特点,提出一种基于邻域选取进行修正的局部线性嵌入算法,用带有权值的欧式距离来构造文本数据的局部邻域,提高文本分类的识别率;同时,利用文本数据的类别信息,运用半监督局部线性嵌入算法构造分类器,提高文本分类的效果。实验表明,本文基于文本分类改进的流形学习算法,能够有效地对文本进行分类。

基于LLE降维和BP_Adaboost分类器的GIS局部放电模式识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型,用超声波传感器采集到其放电波形。对放电波形提取的特征向量进行局部线性嵌入(local linear embedding,LLE)算法降维处理,用降维后的向量作为输入对BP_Adaboost分类器进行训练和测试类型识别。识别结果表明,用这样方法进行GIS绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率,说明了其在局部放电模式识别应用中的有效性。

融合相对熵与自适应LLE的两阶段文本降维方法

多数基于贪婪策略的特征选择往往只能得到次优解.对此提出了一种两阶段特征降维方法,首先设计条件乘积相对熵算法以选择文档的特征子集,然后在文档特征子集中使用提出的自适应LLE算法进行特征抽取以进一步降低文档特征维度.实验结果显示,两阶段降维方法可显著降低维数并提高文本挖掘性能.

转子系统故障数据集D-LLE降维方法研究

针对传统降维方法中存在丢失判别信息及由高维空间原始特征张成的超曲面曲率较大时难以获取低维敏感信息的问题,提出一种基于Dijkstra算法的改进LLE(local linear embedding)转子故障数据集降维方法,即D-LLE法。在由时域、频域组成的原始特征空间中,利用Dijkstra算法具有可细致刻画出由时域、频域组成的原始特征空间的能力,结合LLE算法具备能够保持降维前后的转子故障数据集其流形保持不变的性质,据此可提取出反映转子运行状态的低维敏感特征属性。转子实验台模拟出的4种运行状态进行试验表明:优化后的特征数据集具有较好的聚类与类间可分性。

基于非结构化数据的LLE-WOA-LSSVR碳价格组合预测模型

在传统的组合预测模型中,利用的数据大多为结构化数据,然而在网络环境下,非结构化数据广泛存在,因此充分利用非结构化数据所提供的有效信息是预测中要解决的关键问题之一。针对上述问题,文章构建了基于非结构化数据的局部线性嵌入和鲸鱼优化算法的最小二乘支持向量回归(locally linear embedding-whale optimization algorithm-least squares support vector regression,LLE-WOA-LSSVR)碳价格组合预测模型,通过LLE算法对非结构化的高维数据进行降维处理,并利用LSSVR进行预测。考虑到LSSVR模型中参数的选取会对预测结果产生影响,引入WOA算法优化模型中的参数。碳价格预测的实例结果表明,LLE-WOA-LSSVR预测模型可行且有效。

基于PSO-SVM的高温炉变频电机局部放电预警监测方法

在高温炉加热过程中,非均匀的暂态随机状态会影响高温炉变频电机局部放电信号时间特性,导致时间一幅值关系的离散变量不能确定而影响监测效率,为此提出基于PSO-SVM的高温炉变频电机局部放电预警监测方法。首先,采用奇异值分解(SVD)抑制高温炉变频电机局部放电信号中的窄带干扰,获取有用信号;其次,利用局部线性嵌入(LLE)算法提取降维信号中的局部放电特征参数;最后,将其作为输入特征向量构建基于粒子群优化的支持向量机分类函数(PSO-SVM),完成对高温炉变频电机局部放电类型的识别和监测,并以此为依据求出局部放电阈值预警参数和趋势预警缺陷水平,实现对高温炉变频电机局部放电的预警监测。实验结果表明,所提方法能够有效抑制局部放电窄带干扰,并在一定程度上提高了高温炉电机局部放电信号的识别精度和预警监测效率。