基于SLLE的电缆附件局部放电模式识别

为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发,结合两种不同的方法对局放特征进行提取。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构,同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明文中方法较好地提取出最优特征值,且能得到更准确的识别结果。

应用SLLE实现手写体数字识别

针对在手写字符识别中由于书写习惯和风格的不同而造成的字符模式不稳定问题,提出了一种基于流形学习的手写体数字识别方法。在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。算法首先利用基于监督的局部线性嵌入(SLLE)对手写体数字图像进行字符特征的降维,然后再对降维后的特征进行分类识别。对MINST库中手写体数字数据库进行了实验,实验结果表明,利用SLLE降维以后的特征能够有效地区分字符,识别率可达到93.27%;由于具有较好的识别率,能够发现高维空间的低维嵌入流形。

基于Semi-Supervised LLE的人脸表情识别方法

目的为提取有效的鉴别特征和降低鉴别向量的维数来识别人脸表情图像.方法将流行学习(Manifold learning,ML)和半监督学习(Semi-Supervised learning,SSL)结合起来,利用人脸表情图像数据本身的非线性流形结构信息和部分标签信息来调整点与点之间的距离形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸表情识别.结果该方法能充分利用数据的结构信息和有限的标签信息,使具有标签信息的同类样本之间的距离最小化,不同类数据之间的距离最大化,进而可以有效地提取数据的低维鉴别子流形,使得分类性能要优于非监督的维数约简方法.结论笔者提出的半监督局部线性嵌入算法能有效地提高人脸表情识别的性能.

基于FastICA-SLLE的转子系统故障诊断研究

提出了基于快速独立分量分析(FastICA)和监督局部线性嵌入算法(SLLE)相结合的转子系统故障诊断的方法。采用快速独立分量对多通道传感器信号进行盲源分离,采用监督局部线性嵌入算法对振动信号数据进行降维处理和故障特征量提取,最后将SLLE提取的故障特征量作为支持向量机(SVM)的输入,建立系统故障诊断模型。实验结果表明该方法能够有效地识别转子系统故障,与ICA-MLP、ICA-SVM方法相比,分类精度得到较大的提高,而故障辨识时间则相对较少。

基于SVMD与SLLE的机械设备齿轮箱故障诊断方法

针对机械设备齿轮箱故障识别难度较大,且采集的信号通常受到强背景噪声干扰等问题,提出一种将连续变分模式分解(SVMD)和监督局部线性嵌入(SLLE)相结合的算法,用于机械设备齿轮箱的故障诊断。首先通过SVMD对采集到的振动信号进行分解,得到特定的期望模式分量;然后再获取这些分量的类标签信息,并利用这些类标签信息来缩放不同类别分量间的欧几里德距离;最后通过SLLE对这些处理后的样本数据进行降维处理,从而准确识别机械设备齿轮箱的故障类型。通过对模拟仿真信号和从齿轮箱故障模拟实验平台采集到的振动信号进行分析,聚类识别的正确率可以达到95.27%,验证了所提出方法的可行性。

Recognition algorithm for plant leaves based on adaptive supervised locally linear embedding

Locally linear embedding(LLE)algorithm has a distinct deficiency in practical application.It requires users to select the neighborhood parameter,k,which denotes the number of nearest neighbors.A new adaptive method is presented based on supervised LLE in this article.A similarity measure is formed by utilizing the Fisher projection distance,and then it is used as a threshold to select k.Different samples will produce different k adaptively according to the density of the data distribution.The method is applied to classify plant leaves.The experimental results show that the average classification rate of this new method is up to 92.4%,which is much better than the results from the traditional LLE and supervised LLE.

基于D-LLE算法的多特征植物叶片图像识别方法

为了提高植物叶片图像识别的准确率,提出一种基于差异性值监督局部线性嵌入(D-LLE)算法的多特征植物叶片图像识别方法。该方法提取叶片的颜色、形状和纹理作为叶片多特征,在加权局部线性嵌入(WLLE)算法中引入样本的差异性值构成差异性值监督LLE算法(D-LLE)对叶片高维特征进行降维,在低维空间采用最近邻分类器实现叶片的识别。该方法所用的叶片多特征比单一特征像素值更能描述叶片图像,同时差异性值能够充分挖掘样本的类别信息。基于实拍的叶片图像数据库的实验结果表明,该方法有效提高了叶片的识别精度。

基于一种改进的监督流形学习算法的语音情感识别

为了有效提高语音情感识别的性能,需要对嵌入在高维声学特征空间的非线性流形上的语音特征数据作非线性降维处理。监督局部线性嵌入(SLLE)是一种典型的用于非线性降维的监督流形学习算法。该文针对SLLE存在的缺陷,提出一种能够增强低维嵌入数据的判别力,具备最优泛化能力的改进SLLE算法。利用该算法对包含韵律和音质特征的48维语音情感特征数据进行非线性降维,提取低维嵌入判别特征用于生气、高兴、悲伤和中性4类情感的识别。在自然情感语音数据库的实验结果表明,该算法仅利用较少的9维嵌入特征就取得了90.78%的最高正确识别率,比SLLE提高了15.65%。可见,该算法用于语音情感特征数据的非线性降维,可以较好地改善语音情感识别结果。

基于Fisher变换的植物叶片图像识别监督LLE算法

提出一种基于Fisher投影的监督LLE方法,应用于植物叶片图像识别中。该方法利用Fisher投影距离取代样本的测地距离,并以此为基础计算样本的权值,加入LLE算法的代价函数中。该方法克服了传统LLE算法无监督学习不适应分类问题的缺陷,在抑制噪声点影响的同时可以更好地挖掘样本的类别信息,提高叶片的分类精度。基于实拍植物叶片图像数据库的实验结果证明,该算法的平均识别率达到92.36%。

基于监督局部线性嵌入特征提取的高光谱图像分类

高光谱图像的数据维数高、数据量大、数据间高度冗余等特点给图像分类带来困难,为进行有效降维、提高分类精度,提出了一种监督局部线性嵌入(SLLE)非线性流形学习特征提取方法。SLLE算法根据数据先验类标签信息所给出的新距离寻找数据点的k最近邻(NN),新距离使得类内距离小于类间距离,这使得SLLE算法更有利于分类。高光谱图像数据和UCI数据的分类结果表明了该方法的有效性。

一种用于人脸识别的监督局部线性嵌入算法及其改进

为了提高人脸识别算法的识别率,提出一种基于监督局部线性嵌入SLLE(Supervised Locally Linear Embedding)的人脸图像识别方法。对局部线性嵌入LLE(Locally Linear Embedding)算法进行改进:①计算低维嵌入时,给稀疏矩阵M先加上一个单位阵,然后再计算它的特征值和特征向量,较好地解决了矩阵奇异问题;②针对LLE算法非监督的缺陷,在构造邻域的时候,增加数据的类别信息,根据其所属类别来判断样本的近邻。在Yale和ORL人脸库上的实验结果表明,该算法能够有效地提高人脸识别的性能。

基于半监督流形学习的人脸识别方法

如何有效地将流形学习(Manifold learning,ML)和半监督学习(Semi-supervised learning,SSL)方法进行结合是近年来模式识别和机器学习领域研究的热点问题。提出一种基于半监督流形学习(Semi-supervised manifold learning,SSML)的人脸识别方法,它在部分有标签信息的人脸数据的情况下,通过利用人脸数据本身的非线性流形结构信息和部分标签信息来调整点与点之间的距离形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸识别。基于公开的人脸数据库上的实验结果表明,该方法能有效地提高人脸识别的性能。

基于有监督核局部线性嵌入的面部表情识别

提出了一种新的有监督核局部线性嵌入算法(SKLLE),并将算法应用于面部表情识别中。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息有效地结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入了高维人脸图像空间的低维表情子流形,增强了局部类间的联系,而且对新样本有较好的泛化性。基于JAFFE面部表情库的实验结果表明,该方法能很好地实现维数约简,达到最高识别率(100%)所需的鉴别维数仅为二维,有效地提高了面部表情识别的性能。

融合LBP和表观流形鉴别分析的人脸识别算法

流形学习方法可以有效地发现存在于高维图像空间的低维子流形,但是流形学习是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,且对人脸图像的光照、姿态等局部变化敏感.针对这两个问题,本文提出一种基于人脸表观流形鉴别分析的识别方法,该方法利用局部二元模式(Local binary pattern,LBP)对人脸图像进行局部特征描述,提取对局部变化不敏感的特征,然后使用有监督的核局部线性嵌入算法(Supervised kernel local linear embedding,SKLLE)对由局部特征构造的全局特征进行维数约简,提取低维鉴别流形特征进行人脸识别.该方法不仅对局部变化不敏感,而且将人脸表观流形和类别信息进行有效的结合,同时对新样本有较好的泛化性.实验结果表明该算法能有效的提高人脸识别的性能.

半监督稀疏鉴别核局部线性嵌入的非线性过程故障检测

复杂过程往往受到运行状态复杂、工作条件恶劣等因素影响,过程数据具有很强的非线性、随机性和流形结构.近年来,核局部线性嵌入(kernel locally linear embedding,KLLE)已经成功应用于复杂过程故障检测.然而KLLE是一种无监督流形学习算法,能够保持样本的局部几何信息,忽视了总体数据样本集全局/非局部鉴别信息.针对上述问题,本文提出一种新的半监督稀疏鉴别核局部线性嵌入(semi-supervised sparse discriminantKLLE,SSDKLLE)算法并用于非线性工业过程故障检测.本文主要贡献如下:(1)把半监督学习与Fisher鉴别分析(fisher discriminant analysis,FDA)引入到KLLE,有效地利用了总体数据集几何鉴别信息,提高了算法对不同类别数据的分离性;(2)基于稀疏表示通过重构优化方法对信号自适应稀疏表达的优点,利用稀疏表示自适应选择最近邻样本以及数目,提高算法鲁棒性和局部保持性能;(3)引入局部邻域处理以及核技巧策略降低过程工况数据变化对监测算法的影响,提高非线性多工况过程监测方法的性能.基于UCI数据和TE平台的仿真实验结果验证了所提算法的有效性.

基于自适应最近邻的局部线性嵌入算法

局部线性嵌入算法是一个优异的非线性维数约减方法,但是算法本身是一个无监督学习算法,对于有监督问题的学习效果不是很好。这主要是因为算法使用了K-近邻方法来求解最近邻点。针对这个缺点,提出了一种改进的、基于自适应最近邻法的局部线性嵌入方法,数值实验证明算法对于有监督的学习问题,具有较好的适应性。

基于局部线性嵌入的半监督仿射传播聚类算法

针对运用半监督仿射传播聚类算法处理高维数据时聚类精度低和计算量大的问题,提出一种基于局部线性嵌入的半监督仿射传播聚类算法.该算法首先通过LLE算法将高维输入数据集映射到低维空间得到低维数据集,计算低维数据集的相似度矩阵,再用半监督算法调整相似度矩阵,最后用仿射传播聚类算法对低维数据进行聚类分析.仿真结果表明,本文提出的算法与半监督仿射传播聚类算法相比,在处理高维数据时聚类效果更好,精度更高,迭代次数更少.

基于改进的监督LLE人脸识别算法

LLE是一种无监督的非线性降维方法,广泛应用于人脸特征提取,但是该方法缺乏样本点的类别信息。提出了一种新方法,在LLE的基础上引入有监督的学习机制和增加样本点的类别信息,通过减少类内距离而增加类间距离和最小化局部数据的全局重构误差,同时结合核邻域保持投影方法(KNPP)来提取高维人脸数据的非线性特征。算法有利于分类识别,并对噪声有较好的稳健性。实验表明,该方法的识别性能优于LLE,SLLE和KNPP。

基于测地距离与极限学习机的监督型LLE算法研究

局部线性嵌入算法LLE(Locally Linear Embedding)是一种有效的非线性降维方法,但是该算法没有考虑样本的类别标签,并且欧式距离无法精确表示非线性数据的流形结构。针对以上LLE方法的缺陷,提出一种结合测地距离与样本类别信息的监督型LLE算法(ISO-SPLLE)。首先在LLE算法的近邻选择中使用测地距离作为相似性度量,然后利用极限学习机求出其映射函数后进行分类测试。将ISO-SPLLE算法与其他改进的LLE算法在UIC标准数据集与基因数据集上进行对比实验,结果表明,该方法对已知类别的数据能更有效地进行降维与识别。

基于局部线性嵌入的最大散度矩阵算法

提出一种基于局部线性嵌入的最大散度矩阵算法——FSLLE。引入线性映射解决局部线性嵌入算法的样本外学习问题,通过自适应动态地确定局部线性空间邻域参数,最大化地融合样本数据的类别信息和局部结构信息矩阵,以获取髙维数据的最佳分类低维子空间。在JAFFE人脸表情库对该算法进行测试,结果表明,FSLLE算法能根据流形结构动态地确定局部邻域的大小,具有较好的表情识别率。