摘要：针对局部线性嵌入(Local Linear Embedding, LLE)的降维效果受样本分布均匀与否的影响较大这一不足,设计均匀化距离对LLE中的欧氏距离进行替换,由此提出均匀化距离局部线性嵌入(Uniform Distance Local Linear Embedding, UDLLE)方法,并通过典型曲线对UDLLE的有效性进行了验证。在此基础上,提出基于UDLLE的滚动轴承故障诊断方法,并进行诊断实例验证。试验结果表明,UDLLE方法获得了比其他一些方法更为有效的低维特征,降低了后续诊断的难度,提高了故障诊断的精度。

摘要：为了获取岩石破裂过程有效的声发射信号特征,更好地对岩石破裂状态进行分类,提出一种基于流形学习算法的局部线性嵌入特征融合方法进行数据降维。以红砂岩为研究对象设计室内单轴压缩实验采集信号,然后对原始声发射信号预处理并对信号进行特征提取,以时域、频域下的特征向量重新组合成一组新的多维特征向量,采用主元分析和流形学习局部线性嵌入算法分别进行降维。比较两种算法降维后融合特征的聚类效果二维和三维分布图,使用局部线性嵌入算法降维后,4种状态分布相对更近,呈一条水平线趋势,且各状态交叉混叠数目较少,第一状态没有一个样本错判,且4个状态相比于主元分析降维后的聚类效果更集中。再比较两种算法降维后融合特征的敏感度之和,局部线性嵌入算法融合特征敏感度之和远大于主元分析算法,说明经过局部线性嵌入算法降维后得到的融合特征更多地表征了原始信号包含的局部信息,同时证明了局部线性嵌入算法相比主元分析算法具有更好的聚类效果。最后经局部线性嵌入特征融合下的砂岩破裂状态分类实验验证,融合特征后的识别率相对单一的时域特征识别提高了6%。该方法能显著提高岩石破裂状态分类的识别率,降维性能相对突出。

摘要：针对局部线性嵌入(LLE)降维算法中邻域参数的人工设定及其全局性的缺陷,研究了聚类和降维的内在联系,提出了邻域参数的自适应选取策略,构建了一种聚类和降维的自适应局部线性嵌入(ALLE)算法,为每个样本点设计最佳的近邻搜索空间,自适应选取邻近点计算权值重建矩阵,基于类信息重新定义了重构误差函数。实验表明,新算法更能体现出数学上流形概念的局部坐标化本质,对不相关数据、冗余数据和噪声数据具有良好的鲁棒性,在实际识别问题中体现出优越的性能。

摘要：基于核的主成分分析(PCA)方法可以有效提取非线性特征,但存在主成分含义模糊、降维分类结果不理想等问题。为了解决上述问题提高数据分类的准确性,提出了一种基于局部线性嵌入(LLE)思想和核主成分分析相结合的算法(KPCA-L)。在该算法中首先对LLE进行了改进,使用最短路径算法计算两个样本点间的距离;在此基础上使用局部线性嵌入与核主成分分析(KPCA)混成的降维算法对数据集进行降维。最后在基准数据集上进行了算法性能对比,特别在Isolet数据集上该算法的分类准确性相对PCA、LLE和KPCA分别提高了12.49%、2.86%和3.52%,提高了PCA对平移的鲁棒性以及数据分类性能。

摘要：为解决局部线性嵌入算法(LLE)性能受初始邻域值大小和相似性度量选取的制约,提出一种基于密度和相关分量分析(relevant component analysis,RCA)的局部线性嵌入算法(DRLLE)。对每一个样本点计算一个密度缩放因子,根据密度缩放因子对样本点的初始邻域值进行自适应调整,计算RCA距离作为LLE算法的相似性度量,得到样本点的近邻集,进行降维处理。将DRLLE和其它LLE改进算法在Swiss roll、Swiss roll hole和ORL数据库上进行对比实验,其结果表明,DRLLE算法具有良好的降维效果和识别性能。

摘要：为了能够在学习特征之间深层非线性关系的同时,保持特征局部几何结构,提出一种利用单层自编码器作为特征选择和流形学习的算法。首先,利用单层自编码器的重建能力剔除对重建样本贡献微弱的单个特征,学习特征深层非线性关系,并在特征权重矩阵上进行稀疏正则化;然后,通过改进局部线性嵌入算法保持特征之间局部结构,得到一个最优特征子集;最后,设计一个新的目标损失函数,并采用L-BFGS优化算法进行迭代优化。在6个数据集上与其他6种无监督特征选择算法进行对比,实验结果表明,该算法的聚类性能和分类性能要优于其他无监督特征选择算法的。

摘要：传统数据降维算法分为线性或流形学习降维算法,但在实际应用中很难确定需要哪一类算法。设计一种综合的数据降维算法,以保证它的线性降维效果下限为主成分分析方法且在流形学习降维方面能揭示流形的数据结构。通过对高维数据构造马尔可夫转移矩阵,使越相似的节点转移概率越大,从而发现高维数据降维到低维流形的映射关系。实验结果表明,在人造数据以及真实数据的线性降维中,该算法降维效果与主成分分析算法相当而局部线性嵌入失败;在流形学习降维中,该算法与局部线性嵌入基本相当而主成分分析算法完全失败。

摘要：本文研究了流形学习的分类器网络结构优化设计问题,针对利用神经网络对同一对象的非线性结构样本集进行分类和识别时,如何合理地设计网络结构的问题,提出了一个新颖的基于低维参数空间估计的神经网络结构设计的方法。该方法以流形学习为基础,结合Sammon系数有效估计出低维参数空间大小,并将此对应到神经网络结构分组设计的隐节点分组数目上,从而设计出具有一定泛化能力的网络结构。实验结果表明了本文所提方法的有效性。

摘要：针对已有图像灰度化方法不能同时体现原始图像的全局和局部对比度,且不能保持灰度像素的灰度值等问题,提出一种基于主色检测与灰度传播的彩色图像灰度化方法.首先提出一种基于直方图峰值的主色检测方法,用于提取输入图像中具有代表性的少量主要颜色特征;然后采用基于梯度域的主色灰度化方法将图像主色映射到灰度空间,最大程度地在灰度空间保持主色在彩色空间的视觉对比度;再利用基于局部线性嵌入的灰度传播方法,将主色灰度值和原有灰度像素的灰度值扩散到与其颜色相似的像素上;最后检查图像中是否存在没有被灰度化的彩色像素,如果存在,则使用基于梯度域的局部灰度化方法将其灰度化,得到最终的灰度图像.大量实验结果表明,该方法将全局和局部对比度保持有机结合,得到的灰度图像较好地保持了彩色图像中色彩之间的差异性,并且保持了灰度像素的灰度值.

摘要：为了有效地利用图像的特征作为指导重建的先验知识,解决常规超分辨率算法对边缘与结构等细节恢复不足的问题,提出一种改进的超分辨率算法.对待重建图像进行低秩分解,得到不同特征的低秩子图像和稀疏子图像;对于低秩子图像,提出采用基于正则化技术的稀疏表示超分辨率算法进行重建,先通过在低秩子图像中寻找相似图像块构造非局部相似正则化项,得到图像的非局部冗余,以保持边缘信息;再通过局部线性嵌入方法构造流形学习正则化项,获得图像的结构先验知识,以增强结构信息.对于稀疏子图像则不参与稀疏表示超分辨率重建,而是采用双三次插值法进行重建.实验结果表明,与其他算法相比,无论在主观视觉效果上,还是在峰值信噪比和结构相似性指标上,文中算法都有显著的提高.