Locally linear embedding-based seismic attribute extraction and applications

How to extract optimal composite attributes from a variety of conventional seismic attributes to detect reservoir features is a reservoir predication key,which is usually solved by reducing dimensionality.Principle component analysis（PCA） is the most widely-used linear dimensionality reduction method at present.However,the relationships between seismic attributes and reservoir features are non-linear,so seismic attribute dimensionality reduction based on linear transforms can＇t solve non-linear problems well,reducing reservoir prediction precision.As a new non-linear learning method,manifold learning supplies a new method for seismic attribute analysis.It can discover the intrinsic features and rules hidden in the data by computing low-dimensional,neighborhood-preserving embeddings of high-dimensional inputs.In this paper,we try to extract seismic attributes using locally linear embedding（LLE）,realizing inter-horizon attributes dimensionality reduction of 3D seismic data first and discuss the optimization of its key parameters.Combining model analysis and case studies,we compare the dimensionality reduction and clustering effects of LLE and PCA,both of which indicate that LLE can retain the intrinsic structure of the inputs.The composite attributes and clustering results based on LLE better characterize the distribution of sedimentary facies,reservoir,and even reservoir fluids.

Fault Detection Based on Incremental Locally Linear Embedding for Satellite TX-I

A fault detection method based on incremental locally linear embedding(LLE)is presented to improve fault detecting accuracy for satellites with telemetry data.Since conventional LLE algorithm cannot handle incremental learning,an incremental LLE method is proposed to acquire low-dimensional feature embedded in high-dimensional space.Then,telemetry data of Satellite TX-I are analyzed.Therefore,fault detection are performed by analyzing feature information extracted from the telemetry data with the statistical indexes T2 and squared prediction error(SPE)and SPE.Simulation results verify the fault detection scheme.

基于LLE的边缘保持图像平滑算法

现有全局优化算法都使用不同范数约束输出图像梯度来实现图像平滑,但会牺牲图像中的弱结构信息来达到较好的平滑性能,导致输出图像出现颜色失真和细节模糊的情况。针对上述问题,提出一种基于LLE的边缘保持图像平滑算法(edge preserving image smoothing algorithm based on LLE,Ep-LLE),引入局部线性嵌入(LLE)的思想作为优化函数的正则化项并采用L_(2)范数进行惩罚。该方法利用图像局部区域内像素存在的相互关系,通过约束局部相似以实现图像平滑任务。最后通过各个算法的实验对比验证,基于LLE的边缘保持图像平滑算法能在实现图像边缘保持平滑的同时,保留图像局部结构特征,并有效避免区域内颜色一致导致的边缘阶梯状现象,避免图像颜色失真。

LLE-BASED CLASSIFICATION ALGORITHM FOR MMW RADAR TARGET RECOGNITION

In this paper,a new multiclass classification algorithm is proposed based on the idea of Locally Linear Embedding(LLE),to avoid the defect of traditional manifold learning algorithms,which can not deal with new sample points.The algorithm defines an error as a criterion by computing a sample's reconstruction weight using LLE.Furthermore,the existence and characteristics of low dimensional manifold in range-profile time-frequency information are explored using manifold learning algorithm,aiming at the problem of target recognition about high range resolution MilliMeter-Wave(MMW) radar.The new algorithm is applied to radar target recognition.The experiment results show the algorithm is efficient.Compared with other classification algorithms,our method improves the recognition precision and the result is not sensitive to input parameters.

融合邻域分布LLE算法轴承故障信号检测

针对降维算法局部线性嵌入算法LLE(Local Linear Embedding)未能充分保留高维数据中邻域之间的结构的问题,提出了一种新的融合邻域分布属性的局部线性嵌入算法。该算法通过计算每个样本数据的邻域分布以及KL(Kullback-Leibler)散度度量不同邻域点与其中心样本各自的近邻分布差异,并利用其差值优化重构的权重系数,从而获得更精确的低维电机数据。通过可视化、Fisher测量和识别精度3个评价结果验证了该算法挖掘电机轴承检测数据高维结构的有效性。

基于LLE-FOA-SVR模型的煤矿突水预测

针对煤矿突水预测精度低、训练速度慢的问题,提出基于局部线性嵌入(LLE)—果蝇优化算法(FOA)—支持向量回归(SVR)的煤矿突水预测模型。首先,利用LLE在非线性数据特征提取方面的优势,提取煤矿突水影响因素原始数据的本质特征,形成重构因子,减少数据间的冗余信息和噪声。然后,利用FOA对SVR的参数进行迭代优化,并将最优参数代入SVR中,以解决传统SVR参数优化困难的问题。最后,结合实例并将LLE-FOA-SVR模型的预测结果与反向传播(BP)、SVR、LLE-SVR模型的预测结果进行对比。实验结果表明:该模型的预测精度高于其他3种模型,预测精度可达90%,且建模时间和运算时间更短。

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。

考虑起飞工况的航空发动机性能退化预测研究

针对现阶段航空发动机性能退化建模研究没有考虑起飞工况的影响问题,提出了基于修正的非线性维纳过程发动机性能退化建模方法。该方法结合了同类型号发动机的历史性能退化数据与个体发动机的实时退化和工况数据。首先,考虑发动机每次起飞的工况不同,把工况修正引入非线性维纳过程建立发动机的性能退化模型。然后利用极大似然估计方法求得退化模型离线估计值,基于贝叶斯理论对退化参数进行在线更新,最后基于局部线性嵌入算法,对工况参数进行融合构建工况因子,修正退化参数,实现了基于起飞工况的单台发动机性能退化预测。结果表明,采用融合工况因子修正模型,与未修正和压比修正模型相比,平均绝对百分比误差分别降低1.50%和1.01%。证明融合工况因子修正模型能降低发动机起飞工况差异和仅用单工况参数修正所造成的预测误差,可以用来辅助指导下发决策。

基于正交迭代的增量LLE算法

LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.

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。

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LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE(Locally Linear Em- bedding)和SVM(support Vector Machine)结合的人像识别方法,采用PCA(Principal Component Analysis)与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL(Olivetti Research Laboratory)人脸数据库上实验表明,该算法稳健、快速,识别率达到了90%以上。

自组织LLE算法及其在人脸识别中的应用

提出了一种改进了的自组织LLE算法（SO—LLE），该算法不仅能自动确定数据点邻域值、减少运算量，而且能有效地发现嵌入于高维人脸图像的低维子流形。对SO-LLE算法进行了详细的理论分析，并应用多种数据集进行了仿真实验。在Yale和PIE人脸数据库的仿真实验结果表明：SO—LLE方法的平均识别率提高了5％～40％，有效地提高了人脸识别的性能。

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。

LLE重构和SVD分解的地震信号降噪方法

针对现有地震信号降噪方法处理地震剖面的弯曲同相轴效果不佳,提出联合局部线性嵌入(LLE)和奇异值分解(SVD)方法的地震信号降噪技术。利用LLE的重构思想,对地震数据采样点用其近邻进行重构,实现非线性模式的弯曲同相轴的线性化处理,并去除一定程度的随机噪声;根据地震资料有效信号具有良好相关性的特性,采用SVD分解对LLE重构后的地震数据进行有效信号和噪声分离,剔除不相干的噪声,最终实现地震数据的随机噪声压制。在正演模型和真实地震资料上进行了实验,实验结果表明:与传统SVD方法相比,提出的方法很好地消除了随机噪声,有效信号基本上无丢失。

基于LLE的分类算法及其在被动毫米波目标识别中的应用

该文针对模式识别中的单类分类问题,根据LLE算法思想,考虑数据分布的低维流形,提出了一种单类分类算法。基于流形学习算法发现了被动毫米波信号的短时傅里叶谱中低维流形的存在,并讨论了其特性。将新算法应用于被动毫米波金属目标识别,相对目前流行的分类算法,取得了更好的效果,且算法对输入参数不敏感,在数据混叠程度较高时仍有很好的鲁棒性。

基于融合特征提取与LLE方法的表情识别

为保证所提取特征表征作用的全面性,提出一种基于几何特征和局部纹理特征相结合的特征提取方法。将基于主动表观模型(AAM:Active Appearance Model)特征点标记提取的几何特征和基于局部二值模式(LBP:Local Binary Pattern)提取的眼部和嘴部纹理特征进行融合,融合后的特征经局部线性嵌入(LLE:Locally Linear Embedding)方法进行特征降维,并使用多分类的支持向量机(SVM:Support Vector Machine)进行分类识别。该方法分别选取JAFFE数据集7类表情和小样本数据集Yale的4类表情进行实验,识别准确率分别达到了98.57%和91.67%,从而证明了该方法的有效性。

基于LLE与BA-Elman的瓦斯涌出量动态预测研究

针对瓦斯涌出量受诸多因素影响,彼此间存在复杂的非线性关系导致预测精度不高这一问题,提出基于相关分析理论和局部线性嵌入理论的Elman网络瓦斯涌出量动态预测方法。在对监测指标进行相关性分析的基础上,用局部线性嵌入理论实现瓦斯涌出量影响因素从高维空间至低维空间的映射,进而重构影响瓦斯涌出量的有效因子,并将其作为Elman网络预测模型的输入矢量,以降低模型结构的复杂度,同时用蝙蝠算法全局优化Elman模型以提高预测的精度和泛化能力。试验结果表明该动态预测模型泛化能力强,预测精度高,适用于实际工作中对瓦斯涌出量的预测。