摘要：针对协方差结构具有显著差异的多模态过程故障检测问题,本文提出一种基于密度标准误差的局部保持投影故障检测策略(LPP-DSE).首先,根据样本距离矩阵确定样本截止距离;接下来,应用截止距离计算每个样本的本质密度及其前k近邻样本的估计密度;最后,通过样本的密度误差及其k近邻密度的标准差构建统计量并完成过程监控.本文方法通过应用局部保持投影(LPP)对过程数据进行维数约减可以保证过程监控的及时性;同时,通过设计密度标准误差(DSE)统计量可以有效提高多模态过程的故障检测率.此外,本文给出基于贡献图的诊断方法能够准确识别故障发生的原因.通过数值例子和半导体工业实例测试,并与主元分析、邻域保持嵌入、局部保持投影、k近邻故障检测等方法比较,实验结果进一步验证了LPP-DSE方法的有效性.

摘要：为了有效利用故障特征集中对故障敏感的特征进行故障诊断,提出基于独立特征选择(IFS)与局部保持投影(LPP)的故障诊断方法。该方法主要有三个步骤,一是从通过不同的特征提取方法,以此构建能够表征故障的混合特征集;二是对核线性判别分析(KLDA)进行改进,得到一种为每两类故障构建独立特征集的特征选择方法,在此基础上采用LPP对独立特征集进行进一步的融合;三是支持向量机(SVM)对构建的融合特征集进行识别,得到诊断结果。电机轴承故障诊断实例表明,所提方法具备较高的诊断准确率。

摘要：样本规模与使用方法是基于学习的超分辨率中的一个重要问题.面向人脸图像超分辨率重建,提出一种基于局部保持投影(LPP)的自适应流形学习方法.由于能够揭示隐含在高维图像空间中的非线性结构,LPP是一种可以在局部人脸流形上分析其内在特征的、有效的流形学习方法.通过在LPP特征子空间中动态搜索出与输入图像块最相似的像素块集合作为学习样本,实现了自适应样本选择,并且利用动态样本集合通过基于像素块的特征变换方法有效地恢复出低分辨率人脸图像中缺失的高频成分.实验结果证实:通过在局部人脸流形上自适应地选择学习样本,文中方法可以仅使用相对少量的样本来获得很好的超分辨率重建结果.

摘要：局部保持投影(LPP)只考虑了投影后的局部性,而忽视了非局部性.针对这个问题,引入非局部散布矩阵,提出无监督的差分鉴别特征提取算法,通过最大化非局部和局部之间的散度差来寻找最优变换矩阵,并将其成功地应用于人脸识别.该算法同时引入非局部和局部的信息,揭示隐含在高维图像空间中的非线性结构;采用差分的形式求解最优变换矩阵,以避免"小样本"问题;对LPP中的邻接矩阵进行了修正,以更准确地描述样本之间的邻近关系.在Yale和AR标准人脸库上的实验结果验证了文中算法的有效性.

摘要：提出了一种基于张量子空间学习降维人体高维侧影数据的人行为识别方法。给定一个动作的人侧影图像序列,首先用张量子空间学习方法将目标高维侧影图像投影到低维子空间来描述人运动的时空特性,并同时尽可能地保持目标侧影图像中像素之间的空间几何信息,然后用Hausdorff距离度量动作之间的相似性,并在最近邻距离框架下对动作进行分类识别。为验证本文算法的有效性,设计了动作识别和鲁棒性测试2个实验。实验结果表明提出的算法不仅能够有效地对人行为进行识别,且具有较强的鲁棒性。

摘要：针对无监督局部保持投影算法在头部姿态估计上的高误差性和对噪音的敏感性的问题,提出一种鲁棒的局部保持投影算法。其基本出发点是先对训练的头部姿态加以姿态标注,并获得各个头部姿态间的偏置距离,再对所有头部姿态样本点进行异常值的度量,训练出较好的线性映射矩阵。实验结果表明,改进的方法比传统的LPP在头部姿态估计上取得较好的效果。

摘要：为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法。该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型。轴承故障诊断实例验证了方法的有效性。

摘要：现有的大多数进化算法在求解大规模优化问题时性能会随决策变量维数的增长而下降。通常,多目标优化的Pareto有效解集是自变量空间的一个低维流形,该流形的维度远小于自变量空间的维度。鉴于此,提出一种基于自变量简约的多目标进化算法求解大规模稀疏多目标优化问题。该算法通过引入局部保持投影降维,保留原始自变量空间中的局部近邻关系,并设计一个归档集,将寻找到的非劣解存入其中进行训练,以提高投影的准确性。将该算法与四种流行的多目标进化算法在一系列测试问题和实际应用问题上进行了比较。实验结果表明,所提算法在解决稀疏多目标问题上具有较好的效果。因此,通过自变量简约能降低问题的求解难度,提高算法的搜索效率,在解决大规模稀疏多目标问题方面具有显著的优势。

摘要：目的为充分保留和利用运动想象(motor imagery,MI)时偶极子的时空信息,本文提出一种新的偶极子成像(dipoles imaging,DI)结合3维卷积神经网络(3D convolutional neural network,3DCNN)的源域MI解码方法(DI-3DCNN)。方法首先,基于脑源成像(electroencephalography source imaging,ESI)技术计算运动想象脑电信号的偶极子源估计;接着,获取每类MI任务的平均偶极子源估计,基于数据驱动自动选择每类任务中偶极子激活水平较高且最大区分于其他任务的时刻作为中心采样点,再对中心采样点进行前后延伸并按任务顺序组合,形成感兴趣时间(time of interest,TOI);其次,选择覆盖高激活偶极子的Desikan-Killiany(DK)神经分区,并对局部保持投影方法(local preserving projection,LPP)增加DK分区约束,获得一种改进的有监督LPP(LPP DK);进而,基于LPP DK分别将所选择左、右半脑分区内的偶极子坐标从3维(three dimensional,3D)降成2维,获得具有神经生理先验信息的偶极子2D坐标,再结合TOI内各采样点处偶极子的幅值信息进行成像,并进行插值、下采样操作,得到偶极子的2D幅值图;随后,将TOI内偶极子的2D幅值图按时间顺序堆叠,获得左、右半脑的3D偶极子特征图,并将其作为网络的输入数据;最后,根据输入数据的特点,设计一种双分支3D卷积神经网络(dual-branched 3DCNN,DB3DCNN)实现MI解码。结果基于BCI competition IV 2a数据集进行实验研究,取得了86.50%的平均解码准确率。结论基于DI所得3D偶极子特征图能够较好地保留偶极子的最佳激活时间、程度及生理空间信息,且与DB3DCNN性能匹配。

摘要：针对主元分析(Principal component analysis,PCA)和局部保持投影(Locality preserving projections,LPP)方法在降维过程中分别只能保留数据集的整体信息和局部信息,提出一种基于局部整体结构保持投影的贝叶斯故障检测与辨识方法(Local and global structure preserving projections and bayes,LGSPP-Bayes);首先,将正常工况操作下的原始数据通过局部整体结构保持投影方法投影到低维特征空间,得到高维到低维的数据转换矩阵;然后通过设计贝叶斯分类器来进行故障检测;最后当检测到故障后通过计算贝叶斯分类函数的大小来识别故障种类;将LGSPP-Bayes方法应用于TE过程,仿真结果表明对故障的检测优于其他方法,并且可以很好地将故障种类识别出来。