关于带有Ricci孤子的trans-Sasakian流形的注记(英文)

本文主要研究带有Ricci孤子的(α,β)型trans-Sasakian流形,证明了带有Ricci孤子(g,ξ,λ)的3-维紧致trans-Sasakian流形是一个Sasakian流形.此外,如果α,β是常数,得到带有梯度Ricci孤子的trans-Sasakian流形是Einstein流形.

面向流形数据的加权自然近邻密度峰值聚类算法

流形数据由一些弧线形类簇组成,其特点是同一类簇的样本间距离较大.密度峰值聚类(DPC)算法具有简单高效的特点,但应对流形数据时表现不佳. DPC算法的两种密度度量标准可能造成不同程度的信息缺失,其分配策略仅参考距离和密度,致使聚类精度不高.提出面向流形数据的加权自然近邻DPC(DPC-WNNN)算法,定义样本局部密度时,综合分析样本的局部和全局信息,引入加权的自然近邻以及逆近邻来应对高斯核或截断核的信息缺失问题.设计样本分配策略时通过引入共享近邻和共享逆近邻计算样本相似度,弥补DPC算法空间因素缺失的问题.将DPC-WNNN算法在流形数据集和真实数据集上与7种类似算法进行比较,结果表明该算法能更有效地找到类簇的中心点并准确分配样本,表现出良好的聚类性能.

一种基于流形的机械臂动作构型知识压缩表达方法

针对在机械臂分拣任务中,存在物体形状各异、大小不一、训练神经网络成本过高的问题,提出一种基于流形空间的机械臂快速分拣方法。通过自主设计的一款简易实验装置模拟代替机械臂进行实验。对高维数据进行压缩,结合三维快速凸包求解算法,对体积大小不同的同类物体的流形空间进行分割,以凸包形式将稳定性较高的点集包裹起来。实验结果表明,体积大小不同的同类物体的高稳定流形子空间是一致的。该方法可以通过对一种物体的流形子结构进行尺度放缩,得到不同大小的同类物体的高稳定分拣区域,用于生成高效、可靠的机械臂分拣任务中的6D位姿构型,以提高分拣作业的工作效率。

基于流形学习算法的降雨数据时空分布特征提取及重构

【目的】掌握精细化的降雨时空分布特征,对于城市洪涝风险管理水平的提高具有重要的意义。我国近十几年降雨监测站网密集且数据精细程度高,但时间序列较短;历史降雨资料时间序列长,但是精细程度低。【方法】为了更有效地利用历史降雨资料,将流形学习算法引入到历史降雨资料重构中,从高分辨率降雨资料中,提取降雨的时空分别特征,基于该特征,将历史逐6 h的降雨空间数据重构为逐1 h的降雨数据,以满足城市洪涝风险分析的要求。【结果】结果表明,该方法重构数据高值区与实测值的平均误差在15%以内,低值区在20%以内,比传统插值处理的数据高值区误差降低了45%~85%,低值区降低了10%~40%。【结论】利用流形学习算法重构的历史空间降雨数据符合各地区降雨时空分布特征,可提高降雨空间数据颗粒度,实现降雨时空分布精细化特征的有效、合理的提取和总结。

基于功率谱流形的信息几何DP-TBD算法

针对复杂杂波背景下目标信杂比起伏而导致的漏检问题,本文结合信息几何检测器的性能优势与动态规划检测前跟踪(Dynamic Programming Track Before Detect,DP-TBD)的多帧信息积累能力,提出了基于功率谱流形的信息几何DP-TBD算法.该算法利用功率谱流形与矩阵流形对偶关系,设计了功率谱信息几何检测器,将信息几何检测器的计算复杂度降低了近两个数量级.通过实测数据实验验证,功率谱DP-TBD算法可实现与矩阵DP-TBD算法相近的检测性能,并将运算时间降低为矩阵DP-TBD算法的3%~8%.此外,相较于信息几何检测器,功率谱DP-TBD可将检测信杂比(Signal-to-Clutter Ratio,SCR)提高2~3 dB.

时域流形特征增强在数控机床轴承故障诊断中的应用

以数控机床轴承的时域振动信号为研究对象,提出一种基于流形学习的特征增强方法。首先,将采集信号的时间序列进行相空间重构,通过计算子相空间的信息熵来构建信号在特征空间中的表示,并以流形距离作为原始信号来集中不同故障类型的度量。然后,使用等距特征映射算法求取信号在特征空间中同胚的低维流形,其结果可用于对故障类型的分类判别。经实例数据集的验证分析发现,信息熵—等距特征映射变换能够在低维特征空间表达并强化轴承时域信号的故障类型特征,可有效应用于数控机床轴承单一和复合故障场景的设备运行诊断。

鲁棒的水密流形网格修复

针对未经修复的网格模型一般存在非流形结构,常带有孔洞、法向不一致、自交等缺陷,很难直接应用到后续基于网格的应用中的问题,提出一种保持输入网格特征的鲁棒水密流形网格修复算法.首先利用Manifoldplus算法和卷绕数(winding number)构建能够区分输入网格内外且逼近输入网格的水密流形引导曲面;然后利用引导曲面计算受限Voronoi图(restricted Voronoi diagram,RVD);再通过对偶得到受限三角剖分(restricted Delaunay triangulation,RDT);将非流形问题分解到RVD和RDT计算过程中,保证计算的RDT即为修复后的水密流形网格;最后在原始网格边中添加辅助点,保持原始网格特征.基于Windows 10平台,在ModelNet10公开数据集上进行实验的结果表明,所提算法在输出网格的平均精度为1.54×10^(-6),与Manifoldplus算法相当;但是当输入的模型包含孔洞时,Manifoldplus算法无法将孔洞合理地填补,而该算法能够合理地填补孔洞.

黎曼流形上的粒子群运动模型

自然界中生物群的协同运动模式多种多样,运动空间的复杂性对该多样性起着关键作用.为描述生物群的协调运动,人们基于欧氏空间提出了多种粒子群运动模型.然而,这些模型往往只能描述简单的运动模式.本文基于Morse势和黎曼流形提出了一个新模型,该模型可以描述任意运动空间中的群体运动,且易于工程实现.本文分别以球面、环面、Möbius带及类丘陵曲面为代表仿真分析了黎曼曲面的紧致性、亏格、可定向性及高斯曲率等性质对模型的影响.结果显示,紧致性导致粒子群聚合得更加紧密对称,非零亏格导致群体中粒子的运动速度趋于一致并阻止粒子群形成类涡流形态,不可定向性导致粒子群在任何条件下都趋于分散,而高斯曲率对粒子群运动行为的影响较小.此外,本文还研究了当曲面包含一个、两个及三个障碍物时模型的输出,结果显示,当势强度足够大时,粒子群能够趋向目标,也能包围目标或绕行障碍物.综上,相比已有模型,该模型能够描述更为丰富的运动模式.

基于黎曼流形的健身APP风险度量方法

随着智能设备的普及,其应用系统已成为恶意软件攻击的主要目标,存在巨大的网络安全隐患。健身App因其获取数据的隐私性和敏感性,面临的数据安全问题更加严峻,其安全度量模型成为解决这一挑战的关键点。目前的安全度量模型多数基于静态特征构建,未能全面考虑智能设备的动态网络行为。为了弥补这一不足,提出一种基于网络行为的健身App安全度量模型,运用协方差矩阵对网络空间进行转换,提高了对恶意软件攻击识别的准确率,根据健身App的动态网络行为特征,更全面地揭示了其安全状态,同时结合黎曼度量,有效描述了网络安全风险,并计算其值,从而构建出一个基于恶意软件攻击识别与黎曼流形的风险度量模型,以实现更安全的数据保护。

基于流形特征域适配的滚动轴承故障诊断

针对变工况下存在两域特征分布复杂,数据在原始空间进行分布对齐时,特征扭曲和发散难以消除等问题,提出一种基于流形特征域适配(manifold feature domain adaptation, MFDA)的滚动轴承故障诊断方法。该方法通过无监督的方式生成一个与目标域具有相似分布的中间域,构建与源域、中间域和目标域相关的公共子空间,并利用局部生成差异度量保留数据在子空间中的流形局部几何结构,以避免数据对齐时出现扭曲和发散;同时利用最大均值差异度量对齐中间域和目标域,以最小化两域间的分布差异,保证数据间局部与全局结构的相关性。最后,利用学习到的特征,以最小二乘法实现滚动轴承的跨域故障识别。在三组滚动轴承数据集上进行试验验证,与其他智能识别算法相比,该方法能有效避免特征扭曲和发散,且具有优良的泛化性能。

弱B对称流形

本文研究了一类特殊的对称流形(弱B对称流形,简记(WBS)n)的几何性质问题.利用B张量的对称性,获得了(WBS)n是一个2阶爱因斯坦流形的充分条件并证明这个流形是拟爱因斯坦流形.根据指标的轮换,分别获得了1-形式K和ω是闭形式的充要条件,继而考虑满足爱因斯坦度量条件的(WBS)_(n)(n>2).最后给出一个(WBS)_(4)的例子.

冗余铺放机器人的自运动流形及逆解优化研究

针对用于复合材料铺放成型的八自由度冗余机器人系统的逆运动学问题,提出了一种求解其自运动流形及逆解优化的算法。首先,基于位姿分离思想定义了位置子流形和姿态子流形,采用几何求解法得到了基于自运动变量的参数化方程形式的位置子流形和姿态子流形;然后,根据机器人的关节约束和实际铺放工艺过程,对给定的铺放位姿进行了位置子流形和姿态子流形配对的仿真,并用流形中若干组逆解通过正向运动学得到了末端位姿矩阵(其结果均与给定位姿相符,从而验证了自运动流形求解过程的正确性);最后,在完成自运动流形求解的基础上,从机械臂运动的平滑性和关节运动变化量两个方面出发,提出了一种基于自运动变量参数化方程的全局优化目标函数;以飞机尾椎模型为实验研究对象,对其中一条铺放路径进行了逆解全局优化仿真,得到了自运动变量和机器人各关节角在铺放路径上的优化曲线,将仿真结果与一种多目标优化算法进行了比较。研究结果表明:针对相同的铺放路径,采用上述优化算法后关节角变化总量降低了11.25%;该算法能够有效地求解八自由度冗余铺放机器人系统的自运动流形,基于全局优化目标函数,其能够在自运动流形中寻找出自运动变量和机器人各关节的最优解。该算法同样也适用于其他位姿解耦的冗余机器人系统逆解问题的求解。

基于流形滤波的海面微弱目标检测方法

由于海面波动等因素近海杂波呈现出较强的非均匀特性,杂波功率估计误差较大,降低了海面微弱目标检测性能。针对这一问题,本文提出一种基于流形滤波的海面微弱目标检测方法,通过建立雷达回波信号的高维流形表示,将雷达目标检测问题转化为流形上两点间的区分性问题,同时,在流形空间中对杂波进行加权滤波处理,降低非均匀杂波能量,提高杂波功率估计精度,从而有效改善目标检测性能。首先,将每个距离单元的脉冲串回波数据建模为一个托普利兹正定矩阵,观测区域内各距离单元所对应的正定矩阵构成一个矩阵流形,杂波非均匀特性表现为矩阵流形上数据的几何拓扑性质;然后,通过在流形上聚类将非均匀杂波数据分解为若干类具有相似统计特性的数据,并估计每类杂波数据的几何中心;最后,针对不同类别的杂波几何中心在流形上进行加权滤波处理,提高非均匀杂波功率估计准确度,并设计相应的几何检测器。仿真和实测数据实验结果表明,所提方法能够提高非均匀海杂波的功率估计精度,改善微弱目标的检测性能。

轴承退化状态表征的流形融合指标构建方法

针对传统数据融合构建的轴承退化状态表征指标易受噪声影响,存在波动和难以兼顾轴承退化状态的全局结构和局部结构等问题,提出了基于一致流形近似与投影的轴承退化状态表征的融合健康指标构建方法。首先,分别在时、频域内计算轴承退化状态表征指标,构建原始高维退化趋势特征集;然后,建立退化状态敏感特征筛选准则,从高维特征集中筛选出较好表征轴承退化状态的特征指标;最后,引入一致流形近似与投影算法和指数加权滑动平均对筛选出的敏感特征进行融合与平滑,构建轴承退化状态表征指标。通过两组全寿命轴承振动数据对所提方法进行验证,结果表明,与单一指标以及传统的指标融合构建方法相比,该方法可以克服单一指标表征能力有限和传统指标融合方法能力不够全面等缺点,能有效提高轴承健康指标的单调性与趋势性,以准确表征轴承的退化状态。

有亏格为1的Heegaard分解的三维流形中的环面纽结

将存在亏格为1的Heegaard分解T’_(1)∪F T’_(2)的三维流形记为M=L(p,q),其中p和q是互素整数,q/p为T’_(2)的纬线在T’_(1)上的斜率.若环面F上的简单闭曲线γ在M中非平凡,则称γ是M中的环面纽结.本文对在M中沿环面纽结作m/n-Dehn手术所得流形进行了分类,并给出了两个实心环体沿边界上平环作融合所得流形是L(p,q)中环面纽结补的特征描述.

声纳浮标四臂阵阵列流形矢量的形式研究

当前国际上应用较为广泛的一类扩展阵形结构的声呐浮标,布放后的阵形一般为平面多臂形,从几何上均可视为多层圆阵或多边形阵,对于这两种不同的几何拆分结果,其阵列流形矢量也可以有多种表达方式。文中以声纳浮标四臂阵为例,对其阵列流形矢量的数学表达形式展开研究,总结出2种不同的表达形式,这两种形式分别基于多边形阵和多层圆阵构造而成,分别适用于定向多波束形成的节能工作模式和即时调整阵元数臂数的仿真试验。针对两种不同的阵列流形矢量形式,文中给出了其静态波束图、MVDR波束形成图和二维窗函数波束形成图,多种波束形成仿真的结果表明,两种阵列流形矢量表达形式得到的静态方向图完全一致,并且能够在各自的适用范围,提高对浮标接收信号的处理效率。

耦合渗流-变形的数值流形法裂隙岩质 边坡稳定性分析

岩石裂隙渗流问题作为影响岩石边坡失稳的重要因素吸引了越来越多研究者采用不同的数值方法模拟其力学行为。提出了一种基于渗流-变形耦合模型的数值流形方法,并相应地讨论了岩体裂隙网络中地下水的流动、渗透压力和岩石变形的耦合效应。基于最小能量原理,分别推导渗流条件下单元边界流体压力和系统的整体平衡方程,以及块体接触算法求解任意岩石裂缝的局部安全系数。通过一系列验证实例对所提出的数模模型进行检验,验证了该数值模型的鲁棒性和有效性。利用该方法模拟了一个岩石边坡由于渗流作用而发生的坍塌事故,再现了岩石边坡的破坏过程。模拟结果表明,过大的水力压力导致垂直裂缝张开,增加岩体变形量,最终导致边坡破坏。研究表明,该方法在模拟大规模工程问题方面具有很大的潜力。

结合双流形映射的不完备多标签学习

在多标签学习中,有效利用标签相关性可以提高分类性能。然而,由于人工标注标签的主观性和实际应用中标签语义的相似性,通常只能观察到不完备的标签空间,导致标签相关性的估计不准确,使得算法性能下降。针对该问题,提出一种结合双流形映射的不完备多标签学习(ML-DMM)算法。构造两种流形映射,一种是保留实例数据空间局部结构信息的特征流形映射,另一种是基于迭代学习得到的标签相关性的标签流形映射。首先通过拉普拉斯映射构造数据的低维流形,然后通过回归系数矩阵和标签相关性矩阵将初始特征空间和初始标签空间分别映射到该低维流形上,形成一种双流形映射结构来提升算法性能,最后利用迭代学习得到的回归系数矩阵进行多标签分类。在8个多标签数据集及3种标签缺失率情况下的对比实验结果表明,ML-DMM算法性能优于其他针对缺失标签的多标签分类算法。

基于子空间字典低秩表示的流形投影学习

低秩表示(Low-Rank Representation,LRR)能够将每个数据点表示为若干个基的线性组合,是一种获取样本底层低维结构的方法。然而,大多数LRR方法使用原始数据集作为字典,这不能揭示数据的真实分割。本文提出了基于子空间字典低秩表示的流形投影学习:该方法学习最优子空间作为LRR问题的字典,而不是使用原始数据集;利用基数最少的方案,低秩表示矩阵能很好地恢复原始数据;通过对投影矩阵施加行稀疏约束,该方法不仅可以选择鉴别性特征并忽略冗余特征,而且使子空间学习具有很好的解释性。此外,通过引入流形结构保持约束,使得样本的原始表示和距离信息在投影下保持不变。在多个真实世界数据集上的实验结果表明,该方法优于最近提出的一些相关方法。

基于最大间隔和流形假设的半监督学习算法

半监督学习是一种介于监督学习和无监督学习之间的弱监督学习模式,其在学习过程中将少量标记示例和大量未标记示例结合起来构建模型,以期取得比监督学习仅使用标记示例更高的学习精度。在该学习模式下,文中提出了一种将最大间隔准则和示例空间的流形假设思想相结合的半监督学习算法。该算法在利用示例流形结构估计未标记示例标记置信度的同时利用最大间隔准则构建分类模型,并采用交叉优化方法以迭代的方式交替地求解分类模型参数和标记置信度。在12个UCI数据集和4个由MNIST手写数字集生成的数据集上的实验结果表明,采用半监督直推学习方式,该算法的性能优于其他对比算法的情况为60.5%;采用半监督归纳学习方式,该算法的性能优于其他对比算法的情况为42.6%。