摘要：以滚动轴承为研究对象,根据性能退化曲线的现实意义定义了对性能退化特征提取具有指导意义的评价方法,该方法由初始退化点、初始敏感性、失效突变性和趋势一致性4个指标构成,并根据性能退化曲线的物理特性设计了性能退化特征评价的定量化指标;利用时间序列线性化突变点检测的方法给出了评价指标的计算过程,为性能退化特征的选取提供了更为直观的依据。使用国际通用的Swiss数据集进行验证,实验结果表明该评价方法可以全面评价各个性能退化特征对性能退化过程的表征效果。为了更好地保持原始高维数据的空间位置关系,提出了基于邻域参数自适应选取的局部线性嵌入(LLE)算法,通过自适应局部权值向量来保存高维空间数据的局部线性结构,将多个局部线性进行叠加来不断地逼近全局的非线性,有效提高直接使用高维数据反映原始状态性能的可靠性和稳定性。使用滚动轴承加速寿命试验数据,对比邻域参数自适应LLE算法和常规LLE算法所提取的性能退化特征,验证了邻域参数自适应LLE算法可以保留更多原始高维数据的信息。

摘要：针对局部线性嵌入(LLE)算法和最大间距准则(MMC)算法在特征提取问题中存在不足,提出一种有效的数据降维和分类方法——基于最大间距准则的局部图嵌入特征提取算法,并将其应用在人脸识别上.该算法在保持近邻的前提下,分别构造类内紧致图和类间惩罚图.首先在类内紧致图中利用线性重构的局部对称性找出高维数据空间中的非线性结构,使同类样本尽可能地聚集在一起;然后在类间惩罚图中使不同类别的样本尽可能分离;为了避免"小样本"问题,采用MMC的形式构造目标函数.在ORL,Yale和AR人脸图像库进行实验的结果表明,文中算法相对于DLA和LLE+LDA算法有较好的识别性能.

摘要：以大学生行为特征为基础,进行心理健康状态评估时,主要依据单一维度的特征,使得评估结果均方误差较大。因此,文章引入多维度特征理念,设计一种新的大学生心理健康状态评估方法。引入信息熵概念对心理状态感知数据进行分析,完成数据特征维度的构造与选择。结合常规心理状态自评标准,建立心理健康评估指标体系,并为每项评估指标进行赋权。通过局部线性嵌入算法对多维度特征数据进行降维处理,再结合支持向量机算法,构建基于多维度特征的评价模型。最后,运用模糊综合算法和最大隶属原则,得到大学生心理健康评估结果。实验结果表明:所提方法评估结果的均方误差为0.02,与基于决策树、基于前馈神经网络的评估方法相比,均方误差分别降低了11%、17%。

摘要：设计了一种电台主域积分双谱(PIB)特征参数提取方法,利用双谱特征的对称性,简化计算,提高计算效率。针对PIB特征参数冗余仍然较大,导致分类器复杂、识别效率低的问题,提出了一种改进的带监督局部线性嵌入(LLE)流形学习方法,利用电台数据类别信息的监督距离改进LLE算法中的邻域点搜索方法,并用于PIB参数的降维。将上述方法用于电台个体识别,采用概率神经网络作为识别分类器,对同型号同工作参数的10部电台进行个体识别实验。实验结果验证了上述方法的有效性,在接收信号信噪比为20dB时电台的正确识别率超过90%。

摘要：针对人脸识别问题,提出了一种新的算法。该算法首先用gabor小波对人脸图像进行特征提取。然后采用LLE算法进行降维。最后用FSVM和三叉决策树相结合设计识别分类器进行人脸识别。在降维的过程中,针对高维空间相似性度量函数和自适应参数选取方法上,对LLE算法进行了改进。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。

摘要：稀疏表示分类方法 (SRC)在人脸识别方面取得了当前最好的分类结果,针对SRC存在的问题,提出稀疏近邻表示方法 (SNRC)。在局部线性嵌入方法前提假设成立的条件下,SNRC通过稀疏近邻表示实现目标分类。在几个不同数据集上的实验结果显示,SNRC适用于呈非线性分布的数据集,并取得了较好的效果。进一步的分析表明,SNRC能够较好的适用于那些通过降维方法得到的低维数据的分类问题,尤其适用于基于近邻保持的一类降维方法得到的低维数据,并且具有较低的时间复杂度。

摘要：提出了一种多流形局部线性嵌入的流形学习算法,为每个类的流形学习过程设计了一种监督的近邻点选择方法,将流形-流形距离作为度量指标,搜索最优的低维空间.在视频追踪算法中对外部数据库进行图像训练预处理,为人脸检测建立级联分类器,利用均值粒子滤波器结合跟踪校正策略对人脸图像实时跟踪,采用多流形训练的结果从视频流的人脸集中检测出追踪的目标人脸.仿真实验结果表明本算法对不同的数据集均获得了较高的检测率与较高的计算效率.

摘要：针对数控机床内部结构复杂,故障件相互耦合及容易发生多重故障的问题,提出了一种基于多源信息的数控机床故障诊断系统。首先使用加速度传感器、噪声传感器和温度传感器采集滚珠丝杠副和滚动轴承的振动、温度与噪声等多源复合信号;然后,提取信号的时域、频域和时频域特征,同时为了降低信号分析的难度,使用局部线性嵌入算法LLE进行特征降维,提取有用的特征;最后,结合支持向量机和遗传优化算法进行故障诊断与分类。基于MATLAB和LabVIEW的仿真测试结果表明,所提出的方法能大幅提高故障诊断率,具有一定的可行性及有效性。