流形学习

摘要： 在传统的故障诊断方法中,往往先要基于先验知识求取原始振动信号的特征,并将其输入到智能分类器中进行模式识别,其中容易出现信息丢失,且依靠人为经验进行判断不够准确,针对这一问题,提出了基于快速傅里叶变换(FFT)与流行学习联合的智能故障诊断模型。首先,采用FFT变换将原始数据从时域转换到频域,获得了高维特征数据;然后,使用3种流形学习算法,即多维尺度变换(MDS)、核主成分分析(KPCA)、线性局部切空间排列(LLTSA),获得了低维表征信息;最后,基于故障诊断试验平台系统,对轴承及齿轮工作数据信息进行了获取与处理,将其数据样本输入到智能分类器中,进行了训练和测试。研究结果表明:FFT降维变换可以有效地减少人为选择因素引起的样本衰减现象,同时最近邻域估计算法可以提高智能分类器的测试准确率,使得基于FFT与流行学习的联合智能分类模型对状态数据识别率在80%以上,其中FFT+LLTSA联合智能分类模型的识别率最高可达到87%以上;该结果可验证该分类模型在机械传动系统故障检测中具有的有效性。

摘要： 跨模态哈希检索以其存储消耗低、检索效率高引起广泛关注.现有研究仍存在如何保持标签语义和语义信息损失问题.为此,本文提出了一种新颖的标签结构保持离散哈希方法LSPDH(Label Structure Preserving Discrete Hashing),该方法将哈希学习分为哈希码学习和哈希函数学习两步.哈希码学习中,不同于其他使用流形学习提取多模态数据特征的方法,本文方法则运用流形学习提取标签信息的局部结构并在汉明空间中保持,同时将标签信息映射到哈希码矩阵,融入哈希码学习过程,来降低构建流形相似度矩阵所造成的语义信息损失;哈希函数学习中使用了核函数来获取数据间的非线性关系.最后,通过三个基准数据集上与近期跨模态哈希方法对比实验,验证了提出方法的有效性.

摘要： 深度学习因强大的特征提取能力已逐渐成为旋转机械故障诊断的主要方法。但深层模型缺乏领域适应能力,工况变化时性能衰退严重。迁移学习为解决变工况诊断问题提供新的途径。然而现有深度迁移学习方法大多仅对齐不同领域分布的均值中心,未考虑特征分布的流形结构,其适配性能仍难以应对不同工况复杂的机械故障信号。针对该问题,提出一种深度流形迁移学习方法,以堆叠自编码器为框架,在无监督预训练阶段同时利用源域和目标域样本训练,充分挖掘数据本质特征;针对模型微调,提出流行迁移框架,在适配分布差异同时还保持领域间特征分布结构的一致性。将新方法与现有迁移学习方法在旋转机械故障诊断案例进行充分的比较实验,结果表明,新方法优于现有方法,能显著提高变工况故障诊断精度。通过有效性分析在机理上进一步证明了融合目标域数据的无监督预训练策略和流形迁移微调策略对提高变工况故障诊断的有效性。

摘要： 提出了基于时频联合(TFC)特征提取和改进的监督局部切空间排列(MS-LTSA)的流形学习的齿轮箱故障诊断的方法。首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮箱各种故障的高效、精确地故障识别。提出的MS-LTSA方法实现了数据集内部结构信息和类判别信息的结合,提高了所提取低维特征的聚类效果;通过实验数据的分析,证实了所提方法在齿轮箱诊断上的优异表现和应用价值。

摘要： 图正则化(nonnegative matrix factorization,NMF)算法(graph regularization nonnegative matrix factorization,GNMF)仍存在一些不足之处:GNMF算法并没有考虑数据的低秩结构;在GNMF算法中,其拉普拉斯图是使用K近邻(K nearest neighbor,KNN)方法预先定义的,而KNN方法无法总是获得最优图解,从而使得GNMF算法的性能不能达到最优。为此,本文提出了一种自适应图正则化的非负矩阵分解算法(nonnegative low-rank matrix factorization with adaptive graph neighbors,NLMFAN)。一方面,通过引入低秩约束,使得NLMFAN可以获得原始数据集的有效低秩结构;另一方面,设计了一种通过自适应求解相似度矩阵的方法来进行图的构建,即图的构造和矩阵分解的结果被融入一个整体的框架中,使得图中节点的相似性是自动从数据中学习得到的。此外,本文还给出了一种求解NLMFAN的有效算法。在多种数据集上的实验验证了本文所提出的算法的有效性。

摘要： 车体性能好坏直接影响列车的行车安全,文章利用安装在车体上的传感器所采集到的振动信号,选取合适的信号特征提取方法进行评估,达到列车故障早期预警的目的。试验数据表明,车体的振动信号具有非线性、非平稳的特点,先对振动信号提取小波包能量矩特征进行时频域分析,发现该特征提取方法可以直观地反映车辆横向和垂向振动情况。引入基于局部分析的拉普拉斯特征映射算法(LE),对故障工况的小波包能量矩熵特征所构造的高维特征向量空间进行降维,发现能够从垂向加速度信号识别出空气弹簧失气工况,从横向加速度信号识别出抗蛇行减振器故障和横向减振器故障。这与车辆动力学分析结果一致,同时也证实了流形学习方法对列车性能评估具有一定的作用。

摘要： 针对低秩表示(LRR)子空间聚类算法没有考虑数据局部结构,在学习中可能会造成局部相似信息丢失的问题,提出了一种基于Hessian正则化和非负约束的低秩表示子空间聚类算法(LRR-HN),用来探索数据的全局结构和局部结构。首先,利用Hessian正则化良好的推测能力来保持数据的局部流形结构,使数据局部拓扑结构的表达能力更强;其次,考虑到获得的系数矩阵往往有正有负,而负值往往没有实际意义的特点,引入非负约束来保证模型解的有效性,使其在数据局部结构描述上更有意义;最后,通过最小化核范数寻求数据全局结构的低秩表示,从而更好地聚类高维数据。此外,利用自适应惩罚的线性交替方向法设计了一种求解LRR-HN的有效算法,并在一些真实数据集上,采用正确率(AC)和归一化互信息(NMI)对所提出的算法进行了评估。在ORL数据集上聚类数目为20时的实验中,LRR-HN与LRR算法相比,AC和NMI分别提高了11%和9.74%;与自适应低秩表示(ALRR)算法相比,AC和NMI分别提高了5%和1.05%。实验结果表明,LRR-HN与现有的一些算法相比,AC和NMI均有较大的提升,有较好的聚类性能。

摘要： 针对变压器状态智能识别方法泛化能力不足的问题,提出一种基于领域自适应的变压器状态识别方法。首先,使用多尺度时频分析方法挖掘变压器振动信号中的状态信息和固有属性,构建完备的变压器状态描述特征空间;然后,使用一种基于流形嵌入和动态分布对齐的领域自适应方法,以减少领域偏移带来的负面影响,并且动态评估和量化流形特征的边缘分布和条件分布;最后,基于结构风险最小化原则迭代训练得到变压器状态识别分类器。测试结果表明所提方法在一定程度上改善了变压器状态识别分类器泛化能力低的问题。

摘要： 传统的图正则化方法使用欧氏距离度量样本空间的相似度,并不能准确考察复杂数据集的邻域信息,容易导致模型在复杂形状数据和非凸数据集中的泛化性能下降。提出一种改进的图正则算法,使用等距特征映射保留样本空间的邻域信息,帮助模型进行流形学习,同时结合使用KL约束进一步使得数据表示的外部结构变得光滑,从而捕获到更稀疏和高级的特征表示。在MNIST和YaleB等数据集上的实验结果表明,相比于流行的几种特征提取算法,该算法能够提取到更有意义和稳健的特征。在分类任务和聚类任务上具有优势,同时具有更好的抗干扰性能。

摘要： 近年来,高维数据算法在诸如机器学习领域以及模式识别当中有着十分广泛的应用。降维算法的目的是为了揭示出在高维数据空间中样本数据的固有的组成特性,关注于寻找原始数据集特征表示中有价值的信息。相邻区域选择问题对流形学习降维算法的性能改进至关重要。因此,该文提出一种流形学习降维算法中的新动态邻域选择方法Mod-HLLE(modified Hessian locally linear embedding)。该方法针对Hessian布局线嵌入方法HLLE进行了考察,Mod-HLLE算法是针对高维数据的局部线性嵌入降维算法的改进。Mod-HLLE主要通过计算每个数据点的局部相邻区域参数的方式来完成测量距离和欧几里德距离的评测,再通过动态的相邻区域的尺寸大小来选择新的局部相邻区域。Mod-HLLE在非噪声干扰和噪声干扰情况下,对两类典型3D高维数据集进行降维测试。实验结果表明,Mod-HLLE可以获得很好的几何直观效果,在性能和稳定性方面都优于常见的降维算法,对其他高维数据降维算法的改进也具有很好的参考价值。

摘要： 在多目标气动优化设计问题中,其决策空间的Pareto解集是一个分段连续的(m-1)维流形(m是设计目标个数).在常规多目标优化算法中,并未利用这一特点.本文在NSGA-Ⅱ算法的基础上引入了流形学习算法,发掘并利用了优化过程中Pareto解集的流形结构.采用局部线性嵌入的流形学习算法对种群进行了重构,将重构样本点加入遗传操作得到的子代中,起到指导算法演化、加快收敛的作用.进行的数值测试算例及翼型多目标气动优化算例表明,在流形结构的辅助之下,相比NSGA-Ⅱ算法,本文的算法提高了优化迭代的速度,得到的最优Pareto前沿更加接近于真实解,并且Pareto解集的分布更加广泛和均匀.研究结果表明流形学习在多目标优化中有良好的应用前景.

摘要： 依托可视化方法展示武器装备体系仿真试验的各类效能指标信息,是武器装备体系建设规划方案综合特征对比的重要手段.提出了一种基于融合流形学习的体系多维效能指标可视化方法,将指标项和方案项由高维空间融合投影到同一二维空间,利用密度计算求得指标对多方案样本的影响程度,通过辐射计算实现最终的多维效能指标可视化效果,运用两组实验,验证了该方法融合映射的正确性,并展现了其在体系效能评估中的应用效果,证明了其可行性.

摘要： 流形学习方法通过维数简约能够减少高维数据的冗余性.针对行星齿轮箱振动信号的非平稳复杂多分量的特点,选择流形学习中的扩散映射(DM)方法,对行星齿轮箱振动健康信号和故障信号构造时间高维样本和特征值高维样本,通过与PCA方法对比,验证了DM方法的有效性,准确诊断了行星齿轮箱故障.

摘要： 运用流形学习中的Isomap算法,对股价时间序列的滑动窗口进行流形模式的发现.对纳斯达克指数、标准普尔指数和道琼斯指数三支股票指数近6年的实际收盘价时间序列数据,设定了五种不同长度的滑动窗口,对其进行流形学习.实验发现股票时间序列在不同长度的滑动窗口下都是存在于某一个流形空间中的;并通过创造性地构造最小残差区间得到最优维数,发现了不同的股票拥有不同的嵌入维数,而最优的嵌入维数就是股价时间序列的本质维数.

摘要： 目的：以流形学习为基础,提出一种基于血管内超声(IVUS)图像序列的门控方法,抑制IVUS序列纵切方向上的运动伪影.rn 方法：应用流形学习方法中的拉普拉斯特征映射算法,将高维IVUS图像序列降到低维流形中,利用低雏特征向量,构建一个距离函数来反映心脏运动规律,将IVUS图像分为心脏舒张末期和非心脏舒张末期两类,从而提取心脏舒张末期对应的图像帧,组成门控序列.rn 结果：临床采集10组IVUS序列(图像915±142帧,血管长度15.24±2.37mm),在IVUS图像序列的纵切图像上,门控序列减少了锯齿形状的运动伪影,与原始序列形状一致,且具有良好的连续性.并与已有的提取门控序列方法进行对比.rn 结论：本文方法算法简单稳定,抑制了IVUS图像序列的纵向运动伪影.

摘要： 毫米波无源成像技术,是通过被动接收场景和目标物体自身辐射的毫米波段能量,并利用不同物体之间的毫米波段辐射能量的差异来实现成像,具有优良的技术特点.因受成像系统天线孔径的限制,原始成像结果的分辨率通常较低,图像的细节有所损失.解决该问题的方法是超分辨处理.本论文研究提出了一种“基于流形学习”的毫米波无源成像盲超分辨重建算法,其思路是:利用高分辨率图像与低分辨率图像在局部几何特征方面的相似性,采用流形学习的方法,训练、学习高分辨率图像与低分辨率图像的映射关系,估计点扩展函数,最终实现高分辨率毫米波图像的重构.实验结果表明,本文提出的方法可有效地提高毫米波成像的分辨率.

摘要： 工作模态参数辨识是实现飞行器结构精细化设计和安全评估的关键基础问题.基于结构响应数据,利用盲源分离和流形学习的方法进行系统模态参数辨识,建立基于多元统计分析的工作模态参数辨识方法.首先,从主成分分析(PCA)、独立成分分析(ICA)和局部线性嵌入(LLE)算法出发,建立响应模态坐标表示与多元统计分析算法之间的内在联系,将模态参数辨识问题转化为基于结构响应数据的多元统计分析求解问题.然后,设计1个离散3自由度系统和搭建1个悬臂板典型实验结构系统,获取数值仿真和实验响应数据.最后,基于测量的响应数据,利用多元统计分析方法辨识系统参数,并分析比较3种不同方法的模态参数识别精度以及抗噪性能.数值仿真和实验结果表明,提出的多元统计分析方法能够有效识别出系统的模态振型和模态频率,且LLE算法较其他两种方法具有更高的识别精度和鲁棒性.

摘要： 由于人体动作特征多与时空相关,当前人体动作识别技术仍然面临空间复杂性、时间差异性等问题.本文结合基于流形学习的稀疏近似和人体动作的动态特性,提出基于改进高斯过程隐变量模型(GPLVM)的人体动作特征提取和降维方法,提高了人体动作特征可视化效果及计算效率;设计了基于潜层动态条件随机场(LDCRF)的人体动作分类器,对时序运动特征进行识别.在公开的CMU人体运动数据库和微软MSR Action3D库上的实验表明,所提出的算法与现有算法相比,具有更高的识别率和鲁棒性.

摘要： Ｋ－ｍｅａｎｓ聚类是现行最为通用的聚类算法之一,但其在聚类过程中聚类中心不够稳定,针对这一问题,以流行聚类为依托,实现一种可以提升聚类中心稳定程度的反馈聚类方法.首先使用谱聚类对目标数据集初次聚类得到聚类集合,再根据目标集合最大子集数动态调整参数,多次迭代后获得聚类数集合表并对表中聚类值统计,最后计算表中加权平均值确定最终聚类数目.通过一百次迭代后的数据可知,使用加权平均值得到的聚类更稳定,反馈谱聚类迭代中位数和加权平均数的使用优化了流形聚类方法.

摘要： 针对难于获得足够多的高光谱图像训练样本的问题,基于流形学习标准、Fisher标准和最大边缘标准,提出了一种适用于高光谱图像小样本问题的近邻保持线性判别嵌入(NPLDE)监督线性流形学习特征提取方法.类内的紧性和类间的可分性通过类内近邻图和类间近邻图刻画,该方法有效地避免了因类内离散度矩阵奇异导致的小样本问题,具有更好的判别性能,更适合于分类问题.通过不同情形下高光谱数据的分类实验验证该方法的有效性.

摘要： 本发明涉及一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法，其特征在于，将气体数字信号送入处理器，处理器利用LME‑CDSL数学模型进行气体样本分析，获得气体样本数据；处理器将气体样本数据送入分类器进行气体分类，获得气体分类结果。其有益效果是：具有更好的信息保存性能。不仅抑制了数据漂移，还同时维护了源域的流形和标签信息以及两个域的知识信息；局部线性流形学习完成高维数据的紧凑表示，能够保留非漂移样本的局部特征，提高模型的判别能力；保证了LME‑CDSL模型的鲁棒性和识别性能；本发明通过特征值分解实现特征子空间学习，计算成本极短，易于实际应用。

摘要： 本发明提出一种基于流形学习和softmax的石油钻机健康状态评估方法，属于设备数据分析领域。本发明首先对振动信号进行标准化处理，并提取特征；然后对高维振动信号特征进行基于流形学习的维数简约，得到低维空间特征向量，对低维向量进行softmax模型训练并得到分类结果，计算输出结果序列与健康序列的马氏距离并转换成健康指数进行量化表达，实现对石油钻机系统的健康状态评估。该方法通过对基于最大似然估计的本征维数进行自适应加权，修正数据点的贡献，同时利用标签信息，改进距离度量公式，减小不同类别之间的混叠程度，同时结合马氏距离对石油钻机健康状态进行评估，提高了评估结果的准确性和稳定性，为石油钻机故障预测和维护提供有力支撑。

摘要： 本发明公开了一种基于多模态流形学习和社交网络特征的微博摘要生成方法，包括以下步骤：获取用户的特定话题微博集，以及用户互动信息；构建文本内的关系矩阵和跨文本的关系矩阵；结合所述矩阵计算微博显著度；结合用户互动信息计算社会认同度；将微博显著度与社会认同度结合即可得到最终的微博显著度，进而选择显著度最高的若干句子成为摘要。本发明将多文档摘要中常用的流行学习方法进行改进，并将社交网络信息整合其中，其更好的利用了不同主题文档之间的句子关系特征和相同文档内的句子关系特征，同时采用最大边界相关算法(MMR)来减少冗余信息，兼顾了摘要的覆盖性和多样性。

摘要： 本发明公开了一种用于人脸识别的流形学习图像特征提取的深度学习方法，步骤如下：通过使用区域建议算法生成建议框，建议框在图片上进行扫描得出局部图片，并将图片传授给下一步；完成高维非线性的流形学习算法的构建；通过定义一个样本点局部邻域密度分布因子，且嵌入到降维算法中；运用该算法将人脸的不同表情特征由高维降至2维或3维，有效地进行人脸识别；通过流形学习算法得到的人脸特征，使用基于自注意机制和投票机制的残差神经网络对图片进行筛选，完成最后的分类。本发明的模型检测速度比传统的检测算法快1‑2倍，能够为用户提供更好的使用体验；本发明通过使用流形学习来进行特征提取，提高了模型人脸识别准确率。

摘要： 本发明公开了一种基于流形学习的无监督预适应图像分类方法，该方法旨在构建图像分类模型，然后应用图像分类模型，完成待分类图像的分类，该方法包括以下步骤：1.构建图像样本集；2.构建特征提取网络；3.基于流形学习网络，构建特征向量降维网络；4.基于高阶信息匹配网络，构建分类器网络；5.构建源域图像样本的判别性损失模型、目标域图像样本的聚类损失模型、流形一致性损失模型、高阶张量匹配损失模型；6.引入交叉熵损失，获得最终损失模型；7.针对图像分类待训练模型进行训练，获得图像分类模型；该方法结合流形学习网络和高阶信息匹配网络，提取出的图像特征不仅有很好的迁移性，而且兼具很强的判别性，具有更高的分类准确率。

摘要： 本发明公开了一种结合低秩表示与流形学习的运动想象脑电信号特征提取方法，包括以下步骤：S1:进行运动想象脑电信号采样，建立样本集；S2:将数据使用滤波器组共空间模式进行预处理，得到数据样本原始特征集，同时划分为训练样本原始特征集及测试样本原始特征集；S3:使用提出的特征提取方法进一步提取数据特征，并进行降维；S4:利用支持向量机对所提取的特征进行分类。利用低秩表示方法，将原始数据分干净部分和噪声部分，有效地去除了噪声，并且对噪声具有很强的鲁棒性；将低秩表示、判别投影和流形学习方法集成到统一模型中,既保留了原始样本的全局结构信息，又保留了原始样本的局部邻域关系，更大程度地获取了有效特征，提高了后续的分类精度。

摘要： 本发明公开了基于流形学习的网络流量预测方法、装置及存储介质，包括获取网络流量数据；对网络流量数据进行预处理，预处理包括降维以及采用流行学习方法去除共轭点并保持各样本点之间的距离不变；将预处理后的数据输入到训练优化后的网络流量预测模型得到预测的网络流量数据，网络流量预测模型包括依次连接的双向LSTM神经网络、CNN神经网络和全连接网络。本发明能够提供更为精确的用电信息采集网络流量预测。本发明能够提供更为精确的用电信息采集网络流量预测。

摘要： 本发明公开了一种基于流形学习的图像特征融合方法、装置及图像分类系统。本发明首先获取若干图像的多类特征构建特征集合；将特征集合中，每类特征作为一个视角，并构建每个单一视角下的图拉普拉斯矩阵；然后构建并求解基于流形学习的多视角特征选择与融合模型，获得融合后的图像特征。本发明可以更充分利用数据的结构信息，更关注数据整体分布和特性的变化趋势，而不是特定特征的绝对值，使其更具有减弱多中心效应的潜力，更关注医学图像本质疾病表征，而非多中心带来的扰动；同时，基于流行学习的图像融合装置，也能对不同视角下的特征进行更有效的融合，提高医学图像分类性能。

摘要： 本发明公开了一种基于非线性流形学习的滚动轴承故障诊断方法，属于故障诊断技术领域。本发明包括以下步骤：首先采集滚动轴承的各类工况信号，并获取其时域信号样本集；接着对采集的滚动轴承工况信号进行特征提取和二次特征筛选；然后对于经过二次特征筛选后的各类工况信号数据，量化其低维样本点之间的降维性能指标和构建可视化三维图。本发明融入了监督学习思想和基于马氏距离的度量方式，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。

摘要： 本发明公开了一种基于流形学习的信道信息反馈方法，旨在克服现有技术中反馈开销大和重构质量有限的问题，它包括如下步骤：基站收集过去时刻的下行CSI，将过去时刻的下行CSI整合成高维的训练数据集X，根据高维的训练数据集X学习得到降维字典和重构字典，降维字典包括高维字典和低维字典重构字典包括高维字典和低维字典用户再从下行导频中计算出增量CSI，根据增量CSI和降维字典计算得到其低维嵌入Y′，将低维嵌入Y′反馈给基站，最后基站根据低维嵌入Y′和重构字典计算得到重构CSI。