基于非线性子流形的人脸识别

介绍了流形、流形学习的数学基础及其应用时的核心问题,流形学习方法用于人脸识别的技术路线;通过实例分析讨论了流形学习主流算法——局部线性嵌入(LLE)算法的优势和存在的不足;使用ORL人脸数据库进行仿真实验并将识别效果与原始图像直接分类法、主成分分析法进行比较,验证了LLE算法的有效性及优势。     

增强LLE特征分类性能的人脸识别

为了增强局部线性嵌入(LLE)特征的可分类性,提出一种应用LMNN算法改善LLE特征分类性能的人脸识别方法.LMNN算法寻求一个线性变换,变换空间的欧氏距离等价于原始空间的马氏距离,马氏距离增强了LLE特征的kNN分类性能.在ORL数据库和扩展的YaleB数据库上进行实验,并与其他方法进行了比较.实验结果验证了该算法的有效性.     

基于改进LLE算法的机械故障特征压缩与诊断

局部线性嵌入法(locally linear embedding,LLE)是一种典型的流形学习算法。在分析LLE算法的基本计算思路的基础上,提出了一种基于最佳分类效果的k和d综合参数选择方法。此方法综合考虑了故障类内和类间的离散度,并以此作为LLE算法特征压缩效果的评价依据。根据LLE算法的局部线性特征保持的基本特点,提出了一种增量式LLE算法用于柴油机机械故障特征压缩与诊断中。以平均子带能量法构造特征向量空间,子带数目的确定以同种故障类型特征参数间方差最小为准则。实验中,分别使用基于最佳参数选择的LLE算法、传统的主成分分析(principal component analysis,PCA)、增量式LLE算法对柴油机特征向量进行压缩,并对这三种算法的特征压缩结果运用K近邻算法(K-nearest neighborm,KNN)进行故障诊断与分类。结果表明基于最佳参数选择的LLE算法的诊断分类效果要优于传统的PCA方法,增量式LLE算法也取得良好的分类效果。实验表明,对LLE算法进行有关改进可以很好地应用到机械故障特征压缩与诊断中。     

流形学习算法分析及比较

笔者从介绍流形与流形学习的概念和数学描述入手,对等距映射算法(Isomap),局部线性嵌入算法(LLE),拉普拉斯特征映射算法(LE)进行了分析与比较,目的是了解这三种主要的流形学习算法的特点,能更好地进行数据的降维与分析.     

几种维数约简方法在人脸识别中的比较研究

流行学习是一种分类问题的有效解决方法.采用人脸数据库作为样本集,对主要几种线性算法和LLE算法进行实验分析,尝试引入一种监督LLE算法,在针对人脸数据库的实验中发现该算法在提取非线性特征中有较好的效果.     

小世界邻域优化的局部线性嵌入算法

通过分析稀疏数据或噪声数据,导出局部线性嵌入(LLE)算法出现失效的原因,由此提出了一种基于小世界邻域优化的局部线性嵌入(SLLE)算法.将复杂网络算法引入到流形学习中,利用小世界算法对LLE算法进行数据优化,并以最短路径和局部集群系数作为局部优化参数,解决了数据点不规则时以欧氏空间作为邻域判别标准在构建局部超平面造成嵌入结果扭曲的难题.通过3组标准测试数据集合比较了SLLE、LLE算法,结果表明SLLE算法的计算效果、鲁棒性、非理想数据的降维结果均优于LLE算法,且计算正确率至少提高10%.     

基于流形学习的离群点检测方法

为了提高高维数据集合离群数据挖掘效率,提出了一种基于流形学习的离群点检测算法。局部线 性嵌入（ locally linear embedding, LLE）算法是流形学习中有效的非线性降维方法,它的优势在于只定义唯一的 参数,即邻域数。根据LLE算法的思想寻找样本数据的内在嵌入分布,并通过邻域数选取和降维后数据点之 间的距离调整,提高了数据集中离群点发现效率,同时利用离群点权值判别式进行权值数据判定,根据权值 的大小标识出数据集中的离群点,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。 与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一 条新的途径。     

流形学习方法及其在头部姿势估计中的应用

流行学习是一种新的数据降维方法,能揭示数据的内在变化规律,其目标是发现嵌入在高维数据空间中的低维流形结构,并给出一个有效的低维表示。目前流形学习以其出色的数据约简与可视化能力得到了越来越多模式识别与机器学习工作者的重视。本文介绍了一些常用的流形学习算法,分析了这些算法的优缺点,并利用流形学习中的局部线性嵌入(LLE)算法于头部姿势估计,取得了较好的识别效果。     

独立分量分析和流形学习在VSC-HVDC系统故障诊断中的应用

提出一种基于独立分量分析(ICA)和局部线性嵌入流形学习算法(LLE)的新型高压直流输电(VSC-HVDC)系统故障诊断方法.由于随机噪声的干扰,单个传感器测得的系统故障信号无法直接用于故障检测,故使用快速ICA对多通道传感器测得的直流电压和电流信号进行盲源分离处理以恢复去噪的系统故障源信号;然后利用LLE挖掘潜藏于恢复信号中的子流形,提取故障敏感特征;最后将LLE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.通过对系统交流相对相故障、交流相对地故障以及复合故障等仿真信号进行分析,表明所提出的ICA-LLE方法能够有效地提取故障关键特征,并在3维空间将故障特征隔离,从而得到满意的SVM故障识别效果,且SVM分类精度比只使用LLE提高了近20%.     

一种新的降维算法PCA_LLE在图像识别中的应用

通过结合PCA与LLE两种降维方法,提出新的PCA_LLE算法,使它们优势互补.在手写体数字数据集上进行实验,先对数据集降维,再用K近邻算法对降维后的数据分类.实验结果表明融合两种算法的PCA_LLE降维方法较原来的PCA和LLE算法准确率均有了提升.而且新算法PCA_LLE对新样本的降维时间较LLE算法减少很多.在ORL人脸数据集上的实验表明,PCA_LLE算法较PCA,LLE算法准确率有所提高.