基于ASL-Isomap流形学习的滚动轴承故障诊断方法

针对滚动轴承故障特征集维数高及冗余问题,提出一种基于自适应自组织增量学习神经网络界标点的等度规映射(Adaptive self-organizing incremental neural network landmark Isomap,ASL-Isomap)流形学习的滚动轴承故障诊断方法。首先,从时域、频域、时频域以及复杂域提取振动信号的故障特征,构建高维混合域故障特征集;其次,采用ASL-Isomap方法对高维混合域故障特征集进行维数约简,提取出低维、敏感特征子集;最后,应用核极限学习机(Kernel extreme learning machine,KELM)分类器对低维特征进行故障识别。ASL-Isomap方法集成自适应邻域构建和SOINN界标点选取的优势,能够更有效挖掘数据的低维本质流形。圆柱滚子轴承故障诊断实验验证该故障诊断方法的有效性和优越性。

基于核矩阵的Isomap增量学习算法研究

Isomap算法嵌入向量求解依赖于所有的初始样本,在增加新数据时需要较长时间重新计算所有数据样本间的测地距离.为了提高运算速度,提出一种基于核函数的增量学习Isomap算法,将测地距离矩阵当作一个核矩阵,并通过常数增加的方法保证测地距离矩阵满足Mercer条件,算法只需要计算新增点与原有数据点间的测地距离.与核主成分算法一样,新增点的投影值计算变为核矩阵上的特征分解.在Swiss,Helix和多姿态人脸数据中的实验结果表明,算法大大降低了计算复杂度,有利于快速发现隐藏在高维空间的低维流形分布.

一种更具拓扑稳定性的ISOMAP算法

ISOMAP算法能否被成功运用,很大程度上依赖于邻域大小的选取是否合适.然而,如何有效地选取合适的邻域大小,目前还是一个尚未解决的难题.根据“短路”边会途经相对的低密度区域这一特点,能够有效删除邻域图中可能存在的“短路”边,提出了P-ISOMAP(pruned-ISOMAP)算法,这极大地削弱了ISOMAP算法对邻域大小的依赖程度,从而使其更具拓扑稳定性.由于避免了邻域大小难以有效选取的问题,P-ISOMAP算法能够更容易地对数据进行可视化.实验结果很好地验证了该算法的有效性.

一种改进的ISOMAP算法在图像检索中的应用

传统的核化ISOMAP(K-ISOMAP)算法对于多个分散类簇数据集的低维映射不能较好地表现数据集的内在拓扑结构。针对此缺点,本文将对基于ISOMAP的多类多流形算法(MCMM-ISOMAP)进行核化,提出核化的多类多流形ISOMAP算法(K-MCMM-ISOMAP),该算法不仅使得多类数据集在降维后保持较好的内在拓扑结构,而且具备了K-ISOMAP算法的泛化能力,可以将测试数据直接映射到低维空间。因此,该算法可以在多类图像数据集中实现图像检索的功能。实验结果表明该算法与K-ISOMAP相比更具有效性。

便携式近红外光谱仪测定苹果酸度和抗坏血酸的研究

应用便携式近红外光谱分析仪对6种苹果进行无损检测,运用Kernel Isomap结合广义回归神经网络的方法分别建立苹果酸度和抗坏血酸定量分析模型。结果表明:采用Kernel Isomap方法能够使模型具有良好的预测能力。苹果酸度模型校正集相关系数Rc=0.9994,预测集相关系数Rp=0.979 9,RMSEP=0.055 8。苹果抗坏血酸模型校正集相关系数Rc=0.989 1,预测集相关系数Rp=0.927 2,RMSEP=4.043 1。研究结果表明,使用该便携式近红外光谱仪可以用于苹果样本的酸度和抗坏血酸含量的测定。

用于多流形分类的核等距映射算法

核等距映射(Kernel ISOMAP)算法具有较好的泛化性能,但不能直接用于多流形的分类。在多流形下,准确判定新数据点所在的流形是其获得良好泛化性能的基础,因此,提出了能够用于多流形分类的核等距映射算法。该算法根据同一流形上邻近局部切空间的相似性能够准确判定新数据点所在的流形,并对目前核等距映射算法中新数据点低维表示的计算过程进行了简化,从而具有良好的泛化性能。实验结果证实,该算法具有较高的分类准确率。

基于累积和等距映射的缓变故障检测方法

针对化工过程存在的缓变微小故障,提出一种基于累积和等距离映射(CUSUM-ISOMAP)的多变量过程故障检测方法。该方法首先运用累积和控制图的思想,分别对每一个变量计算均值偏差累积和及方差偏差累积和,之后建立扩展增广矩阵,对增广数据运用基于ISOMAP的降维特征提取算法建立统计量进行故障检测。传统的ISOMAP算法无法获取输入输出数据之间的映射关系,不能处理新的采样数据。引入核岭回归算法获得新采样点的降维输出。CSTR过程的仿真结果表明了算法对过程微小故障实施故障检测的有效性。

基于核矩阵等距映射的无线传感网络节点定位算法

针对无线传感网络(Wireless Sensor Network, WSN)中节点位置信息呈现非线性的问题,基于偏最小二乘法(Partial Least Squares, PLS)稳健的多元线性回归特点,结合流形学习中的非线性降维方法,提出了一种基于PLS的核矩阵等距映射(Isometric Feature Mapping,ISOMAP)节点定位算法.通过节点间测地距离表征节点非相似性,利用样本点贡献率找寻和剔除邻域中的"短路"边,经质心变换和核变换后映射至高维特征区间,采用PLS方法求得节点位置.仿真结果表明,相比ISOMAP和多维尺度(Multidimensional Scale Method, MDS)算法,该算法具有良好的拓扑稳定性、泛化能力、稳健性和定位精度,降低了计算复杂度.

基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用

针对测量参数存在的非线性、参数间的耦合性以及噪声干扰,将量子粒子群算法引入到流形学习的参数选择中,结合径向基神经网络,提出了一种故障诊断方法。邻域个数和约简维数是流形学习中的关键问题。结果表明:该方法首先利用量子粒子群算法优选邻域个数、约简维数和径向基函数的参数,再利用等距特征映射(ISOMAP)对原始参数进行非线性降维,提取其低维流形特征,从而进行故障分类。结果表明:该方法能够有效地对发动机各种复合故障进行分类,精度达到97.33%,量子粒子群优于基本粒子群优化的分类结果;其分类精度明显优于主元分析(PCA)、核主元分析(KPCA)方法,且有很强的抗噪能力。

基于鲁棒等度规特征映射的非线性降维算法(英文)

采用核方法在特征空间推导出一类异于欧氏距离的新度量,代替等度规特征映射(Isomap)中的对噪声敏感的欧式距离,用新度量构造测地距离和相应的最小近邻图,提高Isomap算法的抗噪声能力.利用含噪声的Swiss roll数据和人脸图像数据进行实验验证,结果表明这种基于核特征空间的测地距离具有较强的鲁棒性.

基于RCMDE和ISOMAP的行星齿轮传动耦合故障辨识研究

现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细复合多尺度散度熵(RCMDE)、等距特征映射(ISOMAP)和遗传算法优化核极限学习机(GA-KELM)的行星齿轮箱耦合故障诊断方法。首先,利用振动加速度计采集了行星齿轮箱单一故障和耦合故障下运行时的振动信号,构建了故障数据集;随后,利用RCMDE提取了行星齿轮箱振动信号的故障特征,建立了初始的特征样本;接着,利用ISOMAP对故障特征进行了降维,并以可视化的方式获取了低维的特征样本;最后,将新特征输入至GA-KELM分类器中,对行星齿轮箱的不同故障类型进行了识别,并基于行星齿轮箱多点损伤样本,对RCMDE方法的可靠性进行了研究。研究结果表明:基于RCMDE和ISOMAP的故障特征提取方法能够有效提取振动信号中的故障特征,而GA-KELM的故障诊断准确率达到了98.13%,平均诊断准确率达到了96.25%。相较其他故障特征提取方法,基于RCMDE、ISOMAP和GA-KELM的行星齿轮箱耦合故障诊断方法能够更好地诊断行星齿轮箱的耦合故障,具有更高的诊断准确率。

一种用于人脸识别的有监督核化多类多流形ISOMAP算法

在核等测距映射(kernel ISOMAP)和多类多流形ISOMAP算法的基础上,提出一种针对人脸识别任务的有监督核化多类多流形ISOMAP算法.该算法保持了kernel ISOMAP算法的泛化特性,同时又能完成分类任务,解决了ISOMAP-C在对具有高维小样本特性的人脸数据集识别时,所要调整的神经网络权值数目将随输入维度呈指数增长,且易出现过拟合现象的问题.在多种人脸数据集上的实验结果表明了该算法的有效性,且对训练样本集的大小有较好的鲁棒性.

基于测地线距离的核密度判别法

利用Isomap降维方法计算可以反映流形几何结构的测地线距离,用测地线距离代替欧氏距离,结合核密度估计,提出基于测地线距离的核密度判别法.模拟数据和真实数据测试结果显示,该方法判别效果良好.