TPELD和LLE治疗腰椎管狭窄的疗效观察

目的观察经皮椎间孔镜下腰椎椎间盘切除术(TPELD)和腰椎椎板切除术(LLE)治疗腰椎管狭窄(LSS)的疗效。方法选择LSS患者208例,根据治疗方式分为TPELD组和LLE组。比较两组手术时间、术中出血量、术中引流量、术后卧床时间及治疗总有效率,以及随访2个月、1年后Oswestry功能障碍指数(ODI)评分、视觉模拟评分量表(VAS)评分及椎管矢状径、椎间隙高度。结果TPELD组手术时间、术中出血量、术中引流量、术后卧床时间低于LLE组(P<0.05)。与术前比较,术后两组椎管矢状径、椎间隙高度均升高,ODI评分、VAS评分均降低,同组术后1年较术后2月更为显著,术后2月TPELD组较LLE组更为显著(P<0.05),但术后1年上述指标两组比较差异无显著性(P>0.05)。两组治疗总有效率差异无显著性(P>0.05)。结论TPELD和LLE治疗椎间管狭窄均疗效良好,但TPELD创伤小,恢复快,值得临床推荐。

基于LLE及其改进算法的人耳识别

通过分析现有人耳识别方法的不足,将局部线性嵌入(LLE)算法应用于人耳识别。但LLE算法对近邻点个数K的依赖性很强,通常K较大时才能获得良好的降维效果,而计算量也随之增加。为了减弱LLE算法对K的依赖,本文对LLE算法的距离进行了改进,使样本集分布更均匀。在K值比较小时,改进LLE就能得到良好的降维效果,在一定程度上扩大了K的取值范围。改进LLE算法和原始LLE算法的人耳识别实验结果表明,改进LLE能获得更高的识别率,从而验证了该算法的有效性。

基于Gabor变换与改进SLLE的人脸表情识别

本文通过Gabor变换进行人脸表情图像的特征提取,并利用局部线性嵌入(LLE)系列算法进行数据降维操作.LLE算法是一种非线性降维算法,它可以使得降维后的数据保持原有的拓扑结构,在人脸表情识别中有广泛的应用.因为LLE算法没有考虑样本的类别信息,因此有了监督的局部线性嵌入(SLLE)算法.但是SLLE算法仅仅考虑了样本的类别信息却没有考虑到各种表情之间的关系,因此本文提出一种改进的SLLE算法,该算法认为中性表情是其他各种表情的中心.在JAFFE库上进行人脸表情识别实验结果表明,相比LLE算法和SLLE算法,该算法获得了更好的人脸表情识别率,是一种有效算法.

DLLE:一种姿态无关的人脸识别改进算法

经典LLE(Locally Linear Embedding)通过流形学习,能够得到嵌入在高维空间的低维流形.但是它与Isomap、Lapla-cian Eigenmaps一样,学习过程中没有用到先验知识.本文改进了LLE方法,充分利用先验类别信息,能够找到从高维空间到低维空间更为合理的映射.最终使用一种线性近似的方法学习这种映射的显示表达.通过这种映射,可以比较好地解决人脸识别中的姿态问题.在FERET数据库上,当姿态变化从-60度到+60度,该方法达到了较高的识别率.

基于CVDA与LLE算法的工业过程故障检测

针对工业过程数据中存在的非线性、高维度的问题,提出一种结合典型变量差异度分析与局部线性嵌入算法的故障检测方法。CVDA算法构建的差异度矩阵能实现有效的故障监测,但其依赖于线性投影,仅对数据结构中线性特征的变化敏感。使用LLE算法通过保持样本间的局部关系,将高维的数据映射到低维空间,进行特征的再次提取,进一步挖掘数据的非线性特征和局部邻域信息。最后在低维流形空间中建立隔离森林模型,将得到样本点的异常分数作为故障检测评价标准。通过一组非线性数值实例和TE化工过程数据,将本文所提方法与传统的KPCA、PPA以及CVDA进行对比分析,验证所提算法的有效性及优越性。

基于分维LLE和Fisher判别的故障诊断方法

针对非线性系统故障诊断难以解决的问题,通过改进的局部线性嵌入映射算法解决了非线性数据的特征映射问题。首先,通过线性拟合改进了基于分形维估计的内在维数的估计。然后,将故障状态与空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展结合起来,大大减少了计算量,提高了算法的实时性。然后,利用Fisher判别分析进行故障匹配,通过计算最优的投影向量与历史故障数据投影向量的相似度的计算,完成故障识别,从而为复杂非线性系统故障诊断提供了一种新的有效的方法。

肿瘤基因选择方法LLE Score

针对处理肿瘤基因表达数据特征选择问题,提出了一种特征选择方法 LLE Score.该方法是典型的过滤器类型特征选择方法,在样本类别信息的基础上,LLE Score针对特征向量的局部邻域保存能力进行评价,并且根据评价结果进行特征的选取,以此达到良好的特征选择效果.在实验部分对肿瘤数据集进行特征选择,并采用支持向量机分类器计算分类准确率.通过分类准确率说明了该方法的有效性.

基于LLE的彩色图象人脸检测

分析了人脸与非人脸之间的本质区别,提出了运用局部线形嵌入(LLE)的非线性降维方法,解决非线性结构的高维数据(图象)低维表示的问题,实现了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空间关系(即高维空间的几何结构).此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、旋转不变性.运用LLE算法对图象进行降维,再对降维后的数据运用支持向量机(SVM)分类器进行人脸和非人脸的分类.实验结果表明,该人脸检测方法测率较高,并且不受姿态、表情和光照的影响.

基于LLE和BP神经网络的人脸识别

利用LLE非线性降维方法提取人脸特征,然后将提取出来的特征输入到BP神经网络进行训练得到人脸类间的判别信息,进行人脸识别。利用LLE降维方法既能够降低数据维数,减少运算量,又很好的保留了各类人脸样本的拓扑结构,避免人脸图像光照、姿态等因素对人脸识别的影响。在ORL人脸库上的实验结果表明了,这种方法是有效的。

基于DLNS-LLE和LSSVM参数优化的工业过程故障诊断

针对实际工业生产过程中数据的非线性、高维度等特征导致的故障特征难以提取、故障诊断率低的问题,提出将双局部近邻标准化(Double Local Neighborhood Standardization,DLNS)与局部线性嵌入(LLE)相结合进行故障特征提取,并使用霜冰优化算法(RIME)对最小二乘支持向量机(LSSVM)进行参数优化的故障诊断方法。首先利用DLNS对数据进行预处理,然后使用LLE方法对数据进行降维重构以提取故障特征,其次,利用RIME算法对LSSVM的惩罚因子与核参数进行寻优,以获取最优的LSSVM模型用于故障诊断。最后将所提方法应用于田纳西-伊斯曼过程(TE)进行仿真实验。实验结果表明,所提方法能够有效提高故障诊断的诊断效果,验证了其在实际应用中的有效性。

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。

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Gabor小波和双层LLE的人耳图像识别

针对局部线性嵌入(LLE)算法易受偏转角度和近邻选取的影响,提出了一种双层LLE(DLLE)的人耳图像识别方法,并结合Gabor小波和DLLE提出了GDLLE。DLLE首先计算各样本与每类样本中心的欧氏距离,再把欧氏距离最小的K类所有样本作为LLE的近邻,提取出鉴别特征,最后由最近近邻分类器对鉴别特征进行分类。在USTB3人耳图像库上的实验结果表明,本文提出DLLE能够减小偏转角度和近邻对LLE算法的影响,结合Gabor小波后进一步改善了算法的识别率。

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。

基于VFW和LLE的视频图像处理与特征提取技术

结合人脸考勤系统项目实例介绍了用VFW(Video for Windows)实现视频图像采集、编辑和LLE(Locally Linear Enbed-ding)对采集的图像进行特征提取技术,并利用该技术建立了SCU_TS人脸库。结果表明,该技术实用、可靠,为视频应用程序的开发提供了一种行之有效的方法。

基于深度和LLE的人体动作趋势分析研究

针对传统人体动作趋势预测方法存在的不足,提出一种基于深度图像和LLE(Locally Linear Embedding)相结合的人体动作分析方法。首先依据图像的颜色和深度信息,结合Hough森林法提取人体部位的关键点;再利用关键点的信息,将其转化为特征向量,将特征向量集合输入LLE算法,从而建立人体动作的低维流形,并对流形数据做相关分析,根据流形中的欧式距离判断相邻动作;最后,将当前人体动作映射到低维动作流形中,预测人体的动作趋势。实验结果表明:所采用的深度图像,明显提高人体动作识别率,对于人体动作趋势的判断有非常重要的意义;所提出的方法在人体动作趋势的预测中准确率较高,具有一定的可行性。

一种基于深度HOG和LLE的人体跟踪方法

针对传统人体跟踪方法存在的不足,提出一种深度Histograms of Oriented Gradients(HOG)和Locally Linear Embedding(LLE)相结合的跟踪方法。首先依据图像的颜色和深度信息,结合改进的HOG表达式提取人体的特征向量;再利用流行学习LLE算法对特征向量进行降维,采用欧氏距离判别法找出每帧图像人体所在区域,并对人体区域加以标记;最后,进行人体的实时跟踪。实验结果表明:降维后的人体特征数据更有助于实现跟踪,所提出的方法应用到视频图像人体跟踪中可以有效地跟踪人体,简化了数据复杂度,明显提高人体跟踪准确率。

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。

基于LLE-RF的中药三维荧光光谱分类识别

针对中药三维荧光光谱信号非线性问题,应用局部线性嵌入算法(LLE)对补虚类中药三维荧光光谱信号进行特征提取。使用荧光光谱仪测得不同浓度的24味补虚类中药的三维荧光光谱和等高线光谱图,并利用总体平均经验模态分解(EEMD)算法进行降噪处理,在此基础上,采用LLE算法对经过降噪处理后的三维荧光光谱数据进行特征提取;然后,应用随机森林(RF)算法对提取的特征向量进行分类识别。为了验证LLE算法的有效性,将其与主成分分析(PCA)算法进行比较。实验结果表明:LLE-RF组合算法分类准确率达95%,比PCA-RF算法分类准确率高,从而验证了该算法的有效性。