拉普拉斯特征映射

摘要： 为了仅从平稳振动响应信号中识别线性时不变三维结构的工作模态参数,提出一种基于拉普拉斯特征映射的三维结构模态分析方法。该方法首先将复杂三维结构的振动响应数据视作处于高维空间的数据集,利用拉普拉斯特征映射寻找该数据集的低维嵌入数据。低维嵌入数据对应模态响应矩阵,利用单自由度识别技术从模态响应矩阵中识别出模态固有频率。最后,利用最小二乘广义逆,将求解的模态响应矩阵代入振动响应数据分解公式求得模态振型矩阵。三维圆柱壳仿真实验结果表明:相较于等距离映射,拉普拉斯特征映射能有效地识别出系统的模态振型与固有频率,且识别速度更快,精度更高;相较于主成分分析,拉普拉斯特征映射识别精度更高。

摘要： 锂电池管理系统对于锂电池的效率、寿命和安全至关重要,而电池管理系统对电池的控制、热管理和故障诊断等都需要依赖于准确的电池热过程模型。然而锂电池热过程属于一种具有强非线性特征的分布参数系统,电池内部的温度分布是时空耦合的,并且具有无限维的特性,使得建模存在很大的困难。针对上述问题,本工作提出了一种基于LE-ELM的锂离子电池热过程建模方法。首先使用基于拉普拉斯特征映射(laplacian eigenmaps,LE)的局部非线性降维方法构建空间基函数,以表征系统固有的非线性拓扑特征;利用所得的基函数进行时空分离,获得原始数据的低阶时序表达;然后用极限学习机(extreme learning machine,ELM)以时间系数和对应的电流电压输入信号来近似低阶时序模型。最后集成辨识出的ELM模型与空间基函数,通过时空综合重构出锂离子电池的全局时空模型。为验证算法的有效性,使用所提出的方法对三元软包锂电池热过程进行建模。

摘要： 针对传统的拉普拉斯特征映射(LE:Laplacian Eigenmaps)算法采用欧氏距离度量样本点之间的位置关系只适用于线性数据集,但实际工程中的数据常表现出强烈的非线性导致最终的嵌入结果难以反映出原始数据的本质特征问题,提出了一种基于双度量约束的拉普拉斯特征映射(D-LE:Double metric constraint Laplace Eigenmaps)的算法.该算法采用余弦相似性评估样本间的相似性,并融合样本间以及样本与局部流形的度量关系,构建降维模型.通过在3个轴承数据集上进行实验,实验结果表明,该方法对处理非线性数据集能明显提高降维效果.

摘要： 工业控制系统的数据具有非线性、冗余特征多的特点,传统的入侵检测方法并不适用.为提高检测的准确率、降低漏报率,将应用范围最广的工控协议Modbus/TCP作为研究对象,提出CGWO-GP的检测模型.利用拉普拉斯特征映射(L E)在处理非线性数据上的优势处理工控数据;为避免检测模型参数陷入局部最优,提出基于柯西变异算子的灰狼优化算法(CGWO)对高斯过程(GP)参数进行优化.采用密西西比州立大学提出的工控标准数据集进行实验,与多种算法进行多组对比,实验结果表明,所提检测模型表现更优,准确率均值为98.96％,漏报率均值为0.44％,误报率均值为0.13％.

摘要： 智能电网中的隐匿虚假数据入侵(False data injection,FDI)攻击能够绕过坏数据检测机制,导致控制中心做出错误的状态估计,进而干扰电力系统的正常运行.由于电网系统具有复杂的拓扑结构,故基于传统机器学习的攻击信号检测方法存在维度过高带来的过拟合问题,而深度学习检测方法则存在训练时间长、占用大量计算资源的问题.为此,针对智能电网中的隐匿FDI攻击信号,提出了基于拉普拉斯特征映射降维的神经网络检测学习算法,不仅降低了陷入过拟合的风险,同时也提高了隐匿FDI攻击检测学习算法的泛化能力.最后,在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性.

摘要： 高光谱遥感可以得到更精确与丰富的遥感信息,因此涵盖了各国家的航空、航天以及小范围的地面观测的多个层级与环节,在对地观测遥感领域占有不可取代的地位.但高光谱数据集往往非常庞大,且包含冗余信息,为后续处理带来了不便.该研究选用拉普拉斯特征映射对高光谱数据降维与特征提取,并提出了一种权重朴素贝叶斯分类算法.通过奖励权重的方法对经典朴素贝叶斯分类器进行了改进,利用公开数据对算法进行验证,判别地物信息准确率达到92.7％,相比于传统方法有了大幅度的提高.

摘要： 结合可变激活函数、降维算法和深度回声状态网络,针对新的神经网络模型进行了研究.其中可变激活函数是多函数的线性组合,可以通过调整系数来改变激活函数的非饱和区;拉普拉斯特征映射降维算法通过降低储层状态矩阵的维度来改善原网络面临的病态、不适定问题;还使用了遗传算法来寻找最佳目标子空间维度.仿真分析从扰动影响、转换稳定性、时序预测和记忆容量四个方面进行,从仿真结果(新模型的记忆容量是深度回声状态网络的两倍,均方根误差比回声状态网络小42％)来看,新模型的记忆容量、预测精度都得到了显著改善.

摘要： 针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法.利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型.利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征.用FDA和SVM算法实现故障分类和识别.通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较.定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2％和7％,且其平均分类准确率能保持在97％以上.

摘要： In order to solve the problem that the gas sensor diagnosis speed is slow and diagnosis accuracy is not high, this paper takes the common type gas sensor fault such as impact, drift, offset, and periodic fault as research object and proposes a pattern classification and identification of fault diagnosis of gas sensor method based on Laplacian eigenmaps (LE) and improved chemical reaction optimization algorithm (ICROA) optimized relevance vector machine (RVM) to achieve gas sensor fault diagnosis.Firstly, the manifold learning method LE is used to extract the nonlinear dimensionality reduction features from the high-dimensional original data space and extract fault features.The method largely preserves the overall geometric information in the original fault data; then the fault features are used as the RVM model input. The ICROA algorithm performs global optimization on the kernel function parameters of RVM mode, and uses the trained ICROA-RVM model to perform fault diagnosis on the test samples. The results show that the diagnosis method has the characteristics of high training speed and high identification accuracy. The recognition accuracy is above 96％, which can effectively improve the speed and accuracy of fault diagnosis.%针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法(ICROA)优化的相关向量机(RVM)进行模式分类与辨识,实现瓦斯传感器故障诊断.首先采用流形学习方法LE对高维原始数据空间进行非线性降维特征提取,提取故障特征,该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输入,利用ICROA算法对RVM模型的核参数进行全局寻优,将训练好的ICROA-RVM模型对测试样本进行故障诊断.实验结果表明:该诊断方法具有训练速度快,故障辨识精度高的特点,故障诊断正确率在96％以上,能够有效地提高瓦斯传感器故障诊断的速度和准确性.

摘要： 本文所采用的基于拉普拉斯特征映射(Laplacian eigenmaps,LE)的中医药项目综合评估就能解决这一难题，其基本思路是:由财务、业务等方面的专家对中医药项目的管理、执行和效益等方面进行评估产生专家评估表，再对专家评估表进行数据初始化，同时，采用多重填补法(Multiple Imputation, MI)对缺失数据进行处理，最后用LE算法进行降维处理并排名，得到每个省中医药项目综合情况。特征提取是整个综合评估过程中的重点内容，如何选择和提取有效的中医药项目特征是中医药项目综合评估的核心问题，直接影响最终的中医药项目综合评估结果。

摘要： 利用流形学习方法能有效提取高维非线性数据中嵌入的低维流形特征.将其引入到设备故障诊断领域,应用于故障模式识别问题,提出了一种基于流形学习的故障模式识别新方法.运用基于拉普拉斯特征映射的非线性降维算法直接对原始故障信号进行学习,提取数据内在的流形特征,极大地保留了信号中内含的整体几何结构信息,有效克服了常规模式识别方法仅能获得局部线性结构的不足,明显改善了故障模式识别的分类性能.仿真和工程实例结果表明了所提方法的可行性和有效性.

摘要： 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法，它涉及发动机测试领域，采取环状对称测温结构、拉普拉斯特征映射及小波基降噪算法完成对发动机温度的连续精准测量。本发明的步骤为：一、为应对发动机尾焰发生偏转所产生的气流扰动，布置发动机燃烧室环状对称结构测量装置。二、为了对测量干扰及时有效地减弱和去除，再进一步通过拉普拉斯特征映射算法降维处理得到目标温度值。三、最后通过小波变换滤波进行传感器温度信号降噪处理，选取小波基Coif5进行温度信号降噪处理来消除发动机尾焰温度变化规律复杂而导致的测量误差。本发明可有效解决温度变化规律复杂所导致的测温准确度差的问题、以及测量干扰难以及时有效去除的问题。

摘要： 本发明公开了一种基于拉普拉斯特征映射学习的显卡接口机器测试方法，按照如下步骤进行：步骤1：用相应类型线材将待测产品连接到视频采集器；步骤2：播放测试视频，视频采集器收集显示接口输出信息，并上传至工业上位机；步骤3：工业上位机对显卡接口信息进行解码，并保存帧图像；步骤4：对所述帧图像的行和列分别进行拉普拉斯特征映射降维预处理；步骤5：将上述分析后的图像作为机器学习分类器的输入，从而得到检测结果。本发明能够兼容各种类型的接口，无需配备对应接口的显示器，利用视频采集器和工业上位机完成接口信息的采集与解码，降低了物力成本。

摘要： 本发明公开了一种量子拉普拉斯特征映射方法，在现有的拉普拉斯特征映射算法之上，将拉普拉斯矩阵视为数据集的协方差矩阵，可以简便地得到一个密度矩阵，同时将现有的特征向量问题进行相应的转换，采用量子的方式进行计算。本发明提出了一种量子版本的拉普拉斯特征映射方法‑QLE（Quantum Laplacian Eigenmaps），应用了共轭链以及矩阵运算以解决非线性的降维问题。比起经典的拉普拉斯特征映射需要的多项式时间，本发明可以提供指数级的加速。

摘要： 一种基于时空拉普拉斯特征映射学习的异常行为检测方法。本发明属于数字图像处理技术领域，涉及计算机视觉、模式识别、机器学习和数据挖掘等相关理论知识。本发明首先利用光流直方图对相邻两帧图片提取光流特征，获得监测场景内的运动特征信息，采用低维空间的视频表达形式，运用谱聚类的方式对运动信息特征进行聚类，得到聚类个数和不同类别下的特征集合，最后对不同类的特征集合运用Hausdorff距离测量其集合间的相似度，找出明显区别于其他类别的特征集合，从而检测出异常行为。本发明将高维空间中的数据在低维空间中重新表示，降低了运算复杂度，利于密集人群场景的异常行为检测。其异常行为检测率达到73.52～78.45％，漏检率为17.05％～21.45％，误检率4.5～6.1％％。

摘要： 本发明公开了一种基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法，属于设备健康监控领域。该方法的步骤为：首先从柱塞泵实验台中测得柱塞泵出口处的振动信号，利用小波包对原始信号进行分解，从中提取用于描述柱塞泵健康状态的有效特征群。其次，把提取的高维特征群作为输入，选取拉普拉斯特征值映射降维，建立起的特征向量到健康状态之间的对应关系，并使用分类器验证柱塞泵健康评估效果，实现液压泵健康状态监测的量化评估要求。该方法主要用于柱塞泵的健康状态的评估和寿命预测，可以对柱塞泵的健康状态进行预判断，从而在柱塞泵发生故障前的关键时期对柱塞泵进行关键部件的维修或更换，提升使用寿命，保证了生产效率，预防事故的发生。

摘要： 本发明公开了基于变分模态分解与拉普拉斯特征映射的特征提取方法，属于数据分析技术领域。主要针对强背景噪声下特征数据难以与噪声有效区分的问题，提出结合传统时频域分析与机器学习的方法进行特征精确筛选，用于对产品运行状态数据进行特征识别与健康状态评估。其主要实施方法为：获取产品多维度原始特征数据，以多维度原始特征作为数据输入，由变分模态分解方法筛选各单维度特征数据的信息，以此构造特征高维流形，进一步的，由拉普拉斯特征映射方法完成多维信息高维流形降维与数据融合，获取最终综合特征。

摘要： 一种基于量子算法的交易网络拉普拉斯特征映射方法，充分结合经典计算机和量子计算机的处理过程，提高拉普拉斯特征映射的计算速度；将广义特征值求解问题转换为对称矩阵特征值求解问题，使问题适用于引入量子算法进行分析和处理；利用近似的矩阵指数化量子电路，使非稀疏矩阵的指数化过程变得高效；基于量子线性方程求解算法和量子搜索算法极大地提高了高维矩阵的运算速度，降低了运算过程中对于硬件空间资源的需求。

摘要： 本发明提供基于拉普拉斯特征映射的高通量钙信号的降维和可视化方法，通过拉普拉斯特征映射对神经光学成像中记录到的高维钙信号进行降维，提取有效信息，并在低维空间中绘制出动态图像，实现对钙成像技术记录的神经集群活动模式的直观表征。与传统的方法例如广义线性回归模型相比，本发明可处理规模更大、信噪比更低的高通量钙信号，因此在处理大规模神经元集群的钙信号及其动态可视化方面具有明显优势。在聚类准确度和可视化图形区分度方面，基于拉普拉斯特征映射的高通量钙信号降维及可视化方法也优于其余降维方法，考虑到拉普拉斯特征映射有较低的计算复杂度，因此本发明在运行耗时方面也具有显著优势，可用于实时在线降维和可视化处理。

摘要： 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法，它涉及发动机测试领域，采取环状对称测温结构、拉普拉斯特征映射及小波基降噪算法完成对发动机温度的连续精准测量。本发明的步骤为：一、为应对发动机尾焰发生偏转所产生的气流扰动，布置发动机燃烧室环状对称结构测量装置。二、为了对测量干扰及时有效地减弱和去除，再进一步通过拉普拉斯特征映射算法降维处理得到目标温度值。三、最后通过小波变换滤波进行传感器温度信号降噪处理，选取小波基Coif5进行温度信号降噪处理来消除发动机尾焰温度变化规律复杂而导致的测量误差。本发明可有效解决温度变化规律复杂所导致的测温准确度差的问题、以及测量干扰难以及时有效去除的问题。

摘要： 本发明公开了一种基于拉普拉斯特征映射学习的显卡接口机器测试方法，按照如下步骤进行：步骤1：用相应类型线材将待测产品连接到视频采集器；步骤2：播放测试视频，视频采集器收集显示接口输出信息，并上传至工业上位机；步骤3：工业上位机对显卡接口信息进行解码，并保存帧图像；步骤4：对所述帧图像的行和列分别进行拉普拉斯特征映射降维预处理；步骤5：将上述分析后的图像作为机器学习分类器的输入，从而得到检测结果。本发明能够兼容各种类型的接口，无需配备对应接口的显示器，利用视频采集器和工业上位机完成接口信息的采集与解码，降低了物力成本。