基于测地线距离的广义高斯型Laplacian特征映射

传统的Laplacian特征映射是基于欧氏距离的近邻数据点的保持,近邻的高维数据点映射到内在低维空间后仍为近邻点,高维数据点的近邻选取最终将影响全局低维坐标.将测地线距离和广义高斯函数融合到传统的Laplacian特征映射算法中,首先提出了一种基于测地线距离的广义高斯型Laplacian特征映射算法(geodesic distance-based generalized Gaussian LE,简称GGLE),该算法在用不同的广义高斯函数度量高维数据点间的相似度时,获得的全局低维坐标呈现出不同的聚类特性;然后,利用这种特性进一步提出了它的集成判别算法,该集成判别算法的主要优点是:近邻参数K固定,邻接图和测地线距离矩阵都只构造一次.在木纹数据集上的识别实验结果表明,这是一种有效的基于流形的集成判别算法.

Laplacian多特征映射的三维模型形状分析

面向三维模型的统一结构描述与智能检索的技术需求,提出一种Laplacian多特征映射的三维模型形状分析方法.首先提取三维模型的表面形状与体积特征,建立融合测地线距离、角距离和空间体积的多特征相似度矩阵;其次根据Laplacian特征映射算法实现三维模型由空域到谱域的转换以及多谱特征分析;最后通过对Laplacian矩阵特征值之间的本征间隙自适应确定聚类数目,并结合K-means聚类方法实现模型的自动结构识别与分割.实验结果表明,在同一类模型的结构特征提取与统一分割应用中,该方法是高效、鲁棒的,对于实现模型的高层次语义描述、模型配准以及模型检索具有重要的意义.

基于Laplacian特征映射的被动毫米波目标识别

针对传统被动毫米波金属目标识别方法中特征提取、选择的缺点,采用Laplacian特征映射流形学习算法发现了金属目标回波信号短时傅立叶谱中低维流形的存在,并研究了其特性。通过比较测试样本与正类样本低流形的匹配程度进行分类识别,与其他性降维及基于核的非线性降维算法相比,识别率更高,且对数据混叠分布鲁棒性好。

一种克服噪声的鲁棒Laplacian特征映射算法

针对流形学习算法普遍存在对噪声敏感的问题,提出一种克服噪声的鲁棒Laplacian特征映射算法。该算法从Laplacian特征映射出发,在降维过程中,对样本点的邻域范围采用局部PCA的方法,以识别和剔除包含的噪声点,并在重构低维嵌入坐标的同时保持流形光滑连续的整体性,较好地改善了算法的特征提取性能。实验结果表明,所提算法有效地提高了对噪声的鲁棒性。

基于LEM的在线掌纹识别

主要研究利用掌纹对人进行身份鉴定。在掌纹的各种特征中,线特征是一种非常重要的特征,但由于掌纹线不规则,几乎不能用数学进行精确的刻画,因此提出了一种用直线段去近似掌纹线的方法,利用线段Hausdorff距离方法去匹配这些线段集,并对其进行了改进。实验的结果表明了该方法的有效性。

基于Laplacian Eigenmap的图像变化检测虚警优化技术

对点目标的图像变化检测,现有的变化检测技术结果往往存在着虚警过大的问题。通过深入分析多个传统的变化检测方法的特点,利用各方法的互补性,提出了利用Laplacian Eigenmap对多个方法检测结果进行降维分类的优化技术。首先把各个方法对某个像素的检测结果用向量的形式进行表示,然后利用Laplacian Eigenmap对整个图像的数据流形在低维空间展开,最后利用模糊分类进行分类。该技术有两个优势:(1)在保证现有较高检测率的同时,大大降低了结果的虚警率;(2)它极大地降低了在传统方法中由于人为阈值取舍带来的偏差风险。但该技术的不足之处是增加了计算量。

基于轨迹多特征的运动模式学习及异常检测

为提高轨迹分类和异常检测的准确率,充分利用轨迹特征信息,提出基于轨迹多特征的运动模式分类和异常检测方法。首先通过由粗到细的分层聚类来提取轨迹运动模式,每层分别采用Bhattacharyya距离和基于线段插值的改进Hausdorff距离衡量轨迹间运动方向和空间位置的相似度,并引入Laplacian映射以降低计算复杂度并自动确定每层聚类数目。在此基础上,同时考虑待测轨迹与运动模式在起点分布、位置和方向上的差异,通过学习的起点分布模型和基于位置距离和方向距离的分类器在线判断起点、全局和局部异常。实验验证了提出的轨迹聚类算法和异常检测方法在聚类准确率和异常识别率上更优于传统方法。

谱聚类的算子理论研究进展

谱聚类来源于算子理论研究成果,在大数据降维和分类中发挥着重要的作用,但是目前国内的研究多注重应用算法设计,很少见到谱聚类理论方面的研究。为弥补这方面的一些不足,较为系统地总结了这些理论,侧重于阐述与谱聚类的算子理论紧密相关的最新理论研究成果,并简要介绍了一些具体的谱聚类算法、原理及其性能。从积分算子、图谱理论、流形学习出发,评述和分析了谱聚类的最新理论原理、收敛性结论、发展现状以及与流形学习的内在联系,最后指出了理论研究的一些方向。

基于图卷积网络和自编码器的半监督网络表示学习模型

为了保留网络结构信息和节点特征信息,结合图卷积神经网络(GCN)和自编码器(AE),提出可扩展的半监督深度网络表示学习模型(Semi-GCNAE)。利用GCN捕获节点的K阶邻域中所有节点的结构和特征信息,并将捕获的信息作为AE的输入。AE对GCN捕获的K阶邻域信息进行特征提取和非线性降维,并结合Laplacian特征映射保留节点的团簇结构信息。引入集成学习方法联合训练GCN和AE,使模型习得的节点低维向量表示能同时保留网络结构信息和节点特征信息。在5个真实数据集上的广泛评估表明,文中模型习得的节点低维向量表示可以有效保留网络的结构和节点特征信息,并在节点分类、可视化和网络重构任务上性能较优。

谱聚类广义模型与典型算法分析

谱聚类能发现数据的非线性低秩结构,在模式识别等领域应用广泛.谱聚类与图模型、流形嵌入、积分算子理论等紧密相关,存在着潜在的联系,但相关理论尚缺乏系统的研究.文中首先从谱聚类的研究现状出发,介绍它的一般性问题,即再生核空间中的积分算子特征函数学习问题.然后讨论谱聚类与核主成分、核k-means算法、Laplacian特征映射、流形学习、判别分析之间的内在联系.进而简要分析NJW算法、Ncut算法、基于Nystrm方法的谱聚类算法、多尺度谱聚类算法以及多层谱聚类算法.最后总结存在的问题和未来的发展趋势.

基于改进MVU的非线性动态过程故障检测方法

针对化工过程数据的非线性和动态性分布特征,引入Laplacian特征映射(LE),提出了一种基于改进最大方差展开(MVU)的特征提取算法。在改进算法中,局部以欧式距离、全局以测地线距离为尺度度量数据间差异性,以更好反映数据内在几何性质;此外,借鉴LE算法思路,通过最小化近邻点间距离实现流形结构保持。改进算法兼具全局特性保持和局部流形学习能力,计算效率也有较大提高。将其用于提取非线性动态过程高维数据子流形特征,利用SVDD在特征空间建立故障检测模型,构造统计量并确定其控制限。TE过程仿真及丙烯聚合过程实验研究表明改进方法能有效挖掘过程特征信息、监控过程变化并及时检测故障发生,故障检测率较传统方法有显著提高。

基于自适应距离半监督LE的图像检索

Laplacian特征映射是基于欧氏距离的近邻数据点的保持,高维数据点的近邻选取最终将影响全局低维坐标.本文将鉴别信息引入到近邻数据点中,使用有鉴别信息的距离测度来代替欧式距离测度,提出了一种基于自适应测度的半监督拉普拉斯特征映射相关反馈算法FAD-SSLE(feedback on adaptive distance semi-supervisedlaplacian eigenmaps).在图像检索上的实验结果表明,该方法能够有效地利用少量的监督信息来提高分类和检索性能.

面向近邻搜索的马尔科夫图哈希算法

基于哈希编码的算法,由于其高效性,已经成为海量数据高维特征最近邻搜索的研究热点。目前存在的普遍问题是,当哈希编码长度较低时,原始特征信息保留不是很充分,从而导致检索结果不理想。为了解决这一问题,提出了一种基于Markov网络的有效哈希编码算法。该算法首先根据稀疏编码策略进行特征重构,通过Markov随机游走的方式构建特征之间的语义网络关系图,然后根据Laplacian特征映射求出投影函数,最后进行快速的线性投影二值化编码。在公开数据集上与主流算法进行了性能比较,实验结果表明该算法具备良好的检索性能。

最大方差展开的快速松弛算法

最大方差展开(maximum variance unfolding,MVU)是在流形局部等距概念基础上提出的一种新的非线性维数约减算法,能有效学习出隐含在高维数据集中的低维流形结构.但MVU的优化需要解决一个半定规划(semidefinite programming,SDP)问题,巨大的计算和存储复杂度限制了它在大规模数据集上的可行性.提出了MVU的一种快速算法——松弛最大方差展开(relaxed maximum variance unfolding,RMVU),算法基于Laplacian特征映射(Laplacian eigenmap)近似保留数据集局部结构的思想,对MVU中严格的局部距离保留约束进行松弛;算法求解转变为一个广义特征分解问题,大大降低了运算强度和存储需求.为了适应更大规模数据集的处理需求,同时提出了RMVU的一种改进算法——基于基准点的松弛最大方差展开(landmark-based relaxed MVU,LRMVU).在模拟数据集和COLT-20数据库上的实验验证了算法的有效性.