局部保持投影

摘要： 针对SVDD方法在训练阶段计算量大、训练时间久的问题,提出了基于局部保持投影支持向量数据描述(LPP-SVDD)的故障检测方法.结合LPP处理线性降维和SVDD在异常点检测的优势,使用LPP算法对原始数据进行维数约减,对降维后的数据采用SVDD算法建立监控模型,在最大程度保留数据局部结构特性的同时达到数据维数约减的目的,从而降低SVDD的计算量,缩短建模及检测时间.通过数值例子和半导体工艺过程进行仿真研究,对比LPP、k NN、SVDD、LPP-SVDD方法,验证所提方法的性能.结果证实了LPP-SVDD不仅具有准确的检测能力,而且具有较高的检测效率.

摘要： 在木材缺陷的识别中,由于噪声干扰导致识别率降低,因此提出一种新的木材缺陷识别算法。首先通过计算不同尺度下各个方向的梯度,利用正交分解将各个方向的梯度进行结合,得到改进的梯度方向直方图(HOG)特征,提高了HOG特征的鲁棒性;其次将改进HOG特征与局部二值模式(LBP)特征线性加权得到融合特征,弥补了HOG特征没有表征缺陷纹理变化的缺点;最后通过增加全局信息与监督信息改进局部保持投影(LPP)算法并对其降维,再引入支持向量机(SVM)对上述特征进行分类。实验结果表明:在高斯噪声的信噪比为60 dB的环境下该算法的识别率达到97.13%。

摘要： 光伏阵列的输出功率随光照强度的变化而改变,当阵列受到阴影遮挡时,会导致其电池片输出功率不匹配,长时间易形成热斑。因此,对阴影遮挡的情况及时进行甄别,可有效预防热斑故障的产生。针对在光伏阵列阴影遮挡进行分类时,需使用大量辅助设备或采集大量环境数据,以及分类准确率不高的问题,提出了一种基于局部保持人工蜂群支持向量机(LPP-ABC-SVM)的光伏阵列阴影遮挡分类方法。该方法仅依赖光伏阵列的最大功率和电压数据,有效减少了环境数据量的获取,同时也解决了分类过程中数据维度随光伏子阵列的增加而增大的问题,进一步提高了阴影遮挡分类的准确率和速度。通过仿真实验证明了该方法的可行性和有效性。

摘要： 火电厂分散控制系统(DCS)监测数据中往往夹杂着大量各类噪声信号,复杂工况的影响使得监测数据时间序列具有混沌特性。为满足后续数据应用时对其准确性和有效性的需求,需要对原始采集数据做降噪处理。混沌时间序列通常在相空间中处理,结合流形学习策略进行降维,使得位于高维空间中的噪声信号被剔除,仅保留低维空间上的有用信号,达到降噪目的。在改进局部保持投影基础上,采用余弦距离推导欧拉表示代替欧氏距离,并在投影时加入正交条件,旨在保留原始数据流中的非线性特性并解决邻域内投影过密集问题。对该算法进行仿真并在磨煤机状态监测数据清洗中进行应用,结果表明:相较于小波降噪及局部保持投影,该降噪方法能较好地修复相空间整体流形结构,使其更清晰平整光滑,在过滤掉高频噪声的同时更多地保留有用信号及其非线性特性;用该算法做数据清洗使得预测模型准确性更高,运算速度更快。

摘要： 针对局部保持投影在监控半导体蚀刻过程时T2统计量的缺陷,提出指数比率局部保持投影健康状态监控方法(exponential ratio locality preserving projections health monitoring method,ERLPP).将半导体数据通过统计模量方法展开为二维数据,利用局部保持投影将展开后数据投影到特征空间,首先确定特征空间中样本的第k近邻,称其为一步近邻;再确定第k近邻的前K近邻集,称其为二步近邻;最后通过一步近邻与二步近邻的指数比值运算构造统计量P.ERLPP方法不仅可以消除样本统计值的多模态特征并提高过程故障检测率,同时还可以在保持数据流形结构的前提下降低计算复杂度.通过数值例子与半导体蚀刻过程的仿真实验,并与主元分析、局部保持投影、邻域保持嵌入、k近邻规则等方法进行比较,测试结果验证了ERLPP方法的有效性.

摘要： 为了辨识不同阴影状态下光伏组件的热斑故障问题,提出一种基于局部保持投影空间到空间投影的诊断方法.该方法以光伏组件的8个关键参数作为故障特征,对光伏组件的状态进行监测;通过局部保持投影算法将热斑信息在保持数据局部几何结构的基础上,投影到新的空间;使用跟踪算子确定模型中的空间边界,并直接评估光伏组件热斑故障的严重程度.实验将15组光伏组件做不同区域、不同大小的遮挡以模拟不同程度的热斑故障,该方法均能对其进行有效识别.与其他诊断方法相比,该方法在故障识别率、特征提取速度方面有一定的提高,验证了其有效性和可行性.

摘要： 局部保持投影(Locality preserving projection,LPP)在特征提取中得到了广泛的应用.但是,LPP不使用数据的类别信息,并且采用L2范数来进行距离测量,对异常值高度敏感.本文从监督的角度考虑LPP的权值矩阵,并结合低秩回归的方法,提出一种新的模型来发现和提取特征.利用L 2,1范数来约束损失函数和回归矩阵,不仅降低了对异常值的敏感性,而且限制了回归矩阵的低秩条件.然后给出了优化问题的求解方法.最后,本文将该方法应用于多个人脸数据库和掌纹数据集进行了性能测试,并将实验结果与现有的一些方法进行比较,结果表明该方法是有效的.

摘要： 随着科技的快速发展,网络上的信息呈现出多模态共存的特点,如何存储和检索多模态信息成为当前的研究热点。其中,跨模态检索就是使用一种模态数据去检索语义相关的其它模态数据。目前大部分研究都聚焦于如何在公共子空间中使相关的样本尽可能靠近,不相关的样本尽可能分离,没有过多考虑相关样本的排序情况。因此提出一种TopN成对相似度迁移的三元组跨模态检索方法,其利用三元组损失和局部保持投影构建多模态共享的公共子空间,同时将原始空间中样本之间的高相似度关系迁移到公共子空间,以构建合理的排序约束。最后在两个经典跨模态数据集上证明了方法的有效性。

摘要： 为了有效地提高支持向量机(SVM)对多模态过程的故障检测性能,提出一种基于全局和局部信息融合的SVM多模态过程故障检测方法。运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对工业过程故障检测特性的影响。在密度空间,分别运用主元分析(PCA)和局部保持投影(LPP)算法计算主元,提取数据的全局和局部信息,并将两者融合作为SVM的输入。运用正常和故障数据的全局和局部融合的信息训练SVM模型获得判别分类函数。建立模型之后,SVM能学习正常和故障数据的特性,从而将数据正确分类。将本方法运用于田纳西-伊斯曼多模态过程中,与传统PCA、LPP和SVM方法比较,实验结果进一步验证了本方法的有效性。

摘要： 局部保持投影作为一种无监督的维数约简方法,没有充分利用样本的类别信息,易导致聚类效果不理想.为此提出了一种基于类别信息的改进局部保持投影方法,通过在计算训练样本间距时引入类别信息,使得每个点的近邻点主要是同类别的点,从而改善聚类效果.将该方法应用于齿轮的故障诊断,首先计算样本多个时域特征参数,利用改进的局部保持投影对训练样本进行维数约简,得到聚类中心和转换矩阵;其次再通过转换矩阵约简测试样本维数,计算测试样本的低维特征向量与训练样本聚类中心的欧式距离;最后,通过距离判据,实现齿轮典型故障的识别.实验分析结果表明:与传统方法相比,改进的方法对齿轮故障的识别准确率更高,验证了方法的有效性.

摘要： 针对化工生产过程中软测量模型估计精度的问题，提出一种基于改进的局部保持投影算法的多模型建模方法。该方法通过有监督自适应权值的局部保持投影算法对输入数据空间进行特征提取，并结合最近邻分类器算法进行输入空间的划分，最后融合支持向量机实现多模型建模。仿真应用结果表明：将改进的局部保持投影算法应用在UCI数据库的Iris数据集的分类中，其分类精度高于基本的局部保持投影算法的分类精度；同时将改进的局部保持投影算法的多模型建模方法应用于双酚A 生产的软测量多模型建模中，该方法能够有效的进行输入空间地划分，构建回归模型的数据更加合理，使得模型估计精度得到了提高，并具有更强的泛化能力。

摘要： 针对局部保持投影的流形学习算法对于噪声与异常值的敏感性,提出了一种鲁棒的局部保持投影算法.其基本出发点是首先对所有数据点进行评估,以获得它们可能成为异常值的信息,然后再将这种信息用于邻域选择与低维嵌套中.采用鲁棒局部保持投影进行人脸的表示方法,对JAFFE表情数据库进行了实验,结果表明,该方法有效。

摘要： 为充分利用化工过程运行工况的数据特征信息,提高过程的故障检测性能,在局部保持投影(LPP)的基础上,通过最大化非局部数据点间的距离保持非局部结构特征,并对投影向量做正交约束,提出了一种新的基于正交非局部约束LPP(Orthogonal nonlocal structure constrained locality preserving projections,ONSC-LPP)的故障检测方法.ONSC-LPP在对原始数据空间降维的同时充分提取其中所包含的局部和非局部数据结构特征,通过迭代计算所得的正交投影向量更有利于保持数据分布的整体形状以及构造监控统计量.运用ONSC-LPP对原始数据空间降维后,分别在特征空间和残差空间构造T2统计量和Q统计量进行故障检测.TEP的仿真结果表明与传统方法相比,本文提出的新方法能更迅速检测故障发生并降低过程监控漏报率.

摘要： 针对基于核独立元分析(KICA)的故障检测方法只考虑非高斯信息提取而忽略局部近邻结构保持的问题，提出基于改进KICA的过程故障检测方法。将KICA法中只考虑非高斯信息提取的负熵最大化准则转换为熵最小化准则，结合局部保持投影的相似局部近邻结构准则，提出了同时考虑非高斯信息提取和局部近邻结构保持的目标函数，通过粒子群优化算法进行全局寻优，然后建立监控统计量对过程进行监控。在Tennessee Eastman过程上的仿真结果说明，与基于KICA的故障检测方法相比，所提方法能够在保持数据集局部近邻结构的同时，提取非高斯信息，能够有效缩短故障检测的延迟时间，提高故障检测率。

摘要： 近年来的研究发现,人脸可能位于一个非线性流形上.对保持近邻嵌入(NPE),局部保持投影(LPP)以及无监督分类投影(UDP)这些基于流形学习的算法思想进行了介绍,并通过实验将它们和经典的主成分分析(PCA)以及线性判别分析(LDA)算法进行了比较,最后根据在ORL和YALE人脸库上的实验结果总结了各种算法的优缺点.

摘要： 大部分监督的维数约简算法在标注样本比较少的情况下，都会出现过拟合的问题。因此，如何利用未标注的样本来提高性能成为大家的研究热点。在本文中，我们提出了一种新颖的半监督学习算法：半监督谱判别式分析。这种算法组合了局部保持投影（LPP）和局部费舍尔判别式分析（LFDA），所以它既可以保持未标注样本的全局结构，又可以分开不同类别的标注样本。这种算法是基于特征值分解的，全局最优解可以通过解析的形式得到，从而保证了算 法的计算可行性和效率。我们通过详尽的实验，证明了此算法的有效性。

摘要： 针对动态过程故障检测问题,提出一种基于局部保持投影(locality preserving projections,LPP)和扩展矩阵的动态局部保持投影(dynamic LPP,DLPP)新算法.相比动态主元分析(dynamic principal component analysis,DPCA)方法,该算法町以提取隐藏于过程数据中的低维流型信息,建立更精确的模型.首先选择合适的动态步数,构造扩展矩阵；然后使用LPP算法提取信息,将扩展矩阵空间划分为特征窄间和残差空间；最后针对这2个空间分别构造T~2和SPE统计量对工业过程进行监测.通过在田纳西-伊斯曼(Tennessee-Eastman,TE)模型上的仿真研究,表明了该算法是有效的。

摘要： 针对数据信息的特征提取和降维问题,提出一种局部保持最大方差投影(Locality preserving maximum varianceprojections,LPMVP)新算法。该算法综合考虑了主元分析(Principal component analysis,PCA)和局部保持投影(Localitypreserving projections,LPP)算法的优点和不足,提出了新的优化目标,使投影得到的低维空间不仅和原始变量空间有相似的局部近邻结构,而且有相似的整体结构,因而可以包含更多的特征信息.在此基础上,本文使用LPMVP算法把原始变量空间划分为特征空间和残差空间,分别构造了T(2)和SPE统计量对过程进行监测,建立了一种新的故障检测方法。通过数值例子以及TE过程的仿真研究,表明了LPMVP算法可以有效地提取数据信息,同时也体现了较强的故障检测能力。

摘要： 为了解决LPP算法的小样本问题，提出了一种应用于人脸识别的二维LPP算法，直接对图像矩阵进行特征提取，既解决了传统LPP算法的小样本问题，又加快了特征提取速度.ORL人脸库和Extended Yale B人脸库上的实验结果表明2DPP具有较高的识别率，对光照的变化具有一定的鲁棒性.

摘要： 本发明公开了一种局部判别保持投影的电子舌味觉识别方法，它包括以下步骤：步骤1、根据样本X和标签y建立子空间表达模型；步骤2、求解投影矩阵W；步骤3、训练分类器：通过步骤2获得投影矩阵W后，将原始数据映射到新空间Z，使用投影数据Z和标签y训练分类器，识别液态样本。由于本发明步骤1的优化模型，使投影后的数据空间既能保持局部流形结构，又兼具局部判别性；所述的局部流形结构保持指原始空间中相似的数据点投影到低维空间后仍然保持邻近，所述的局部判别性指构造判别式时，只考虑局部数据点以降低对异常值或离群值的敏感度。所以本发明的优点是：增强了算法的鲁棒性、提高了味道检测的准确率。

摘要： 本发明公开一种基于序列相关局部保持投影算法的故障监测方法，旨在推理出一种全新的数据特征挖掘算法，并基于此算法实施故障监测。具体来讲，本发明方法首先将时序相关性最大化与局部近邻结构保持最小化合并成一个目标函数；其次，在求解的过程进一步保证各投影变换向量之间的相互正交特性；最后，利用提取的潜在特征以及模型误差实施故障监测。与传统方法相比：本发明方法中涉及的序列相关局部保持投影算法是一种全新的特征提取算法，它在投影变换的过程中同时考虑了自相关性特征与局部近邻特征，并且保证了投影变换向量的正交特性，能够更全面地挖掘训练数据中潜藏的有用信息。因此，本发明方法是一种更为优选的故障监测方法。

摘要： 本发明公开一种基于F范数的局部保持投影的图像识别方法，用于对高维数据提取特征，降维以及图像中存在异常值的情况，记为FLPP。方法包括：输入原始的图像数据，并确定在F范数下的目标函数；利用交替迭代法对获得的F范数的目标函数求解，得到投影矩阵；利用投影矩阵对图像进行分类。与传统的LPP方法不同的是，本方法通过引入F范数测量数据间的距离，求解投影矩阵，使距离相近的数据在投影到低维空间中仍保持相近；此外，使用F范数能保证在求解时不受异常值的影响。本发明可广泛应用于图像识别领域。

摘要： 本发明公开了一种基于空谱结合的局部保持投影算法的目标检测方法及系统。所述方法在LPP算法中增加了端元提取的步骤，通过计算像元与图像端元的相似度间接衡量像元之间的邻接关系，降低光谱波动对特征相似度的影响，提高邻接权值矩阵构造精度；在此基础之上，进一步通过增加像元的空间域邻接权值矩阵，使得像元各方向的有效样本点能够充分发挥作用，使得降维数据更精准地反映原始高光谱图像的本质结构，从而能够提高目标检测结果的检测精度。

摘要： 本发明涉及多视角步态识别技术领域，特别是一种基于多非线性局部保持投影的两视角步态识别方法。该方法包括以下步骤：读取两个不同视角的步态数据并刻画样本的原始关系、构造非线性函数族以规范化不同视角的步态样本、基于局部保持原则对规范化样本进行投影以提取判别特征、对照投影后的已知样本库和待测步态样本，按照最近邻原则识别来自不同视角的步态。经本方法投影后的样本能有效保持原始非线性结构，减小视角因素的干扰，具有个体间差异大而视角间差异小的特点。在多视角步态库CASIA(B)上进行实验，实验结果表明本方法优于其它多视角识别方法。

摘要： 本发明公开一种基于稀疏局部保持投影的全参考屏幕图像质量评价方法，该方法通过将输入屏幕图像分解成文本图像块和自然图像块，再对文本图像块和自然图像块分别提取转换矩阵，利用转换矩阵分别提取出变换系数，并计算参考图像和失真图像之间的文本图像块变换系数相似度和自然图像块变换系数相似度，加权文本图像块变换系数相似度和自然图像块变换系数相似度，得到总的图像相似度，作为图像质量评价结果；本发明通过将一幅屏幕图像分成文本图像块和自然图像块，分别对自然图像块和文本图像块构建变换矩阵，并用变换矩阵提取变换系数进行全参考图像质量评价，提高了全参考屏幕图像质量评价的精度。

摘要： 本发明涉及一种基于F范数的低秩局部保持投影的图像识别方法，对高维数据进行降维，特别针对图像中存在异常值的情况。具体采用鲁棒性主成分分析(RPCA)和基于F范数的局部保持投影对输入的原始图像数据建立分析模型；采用交替迭代法求解模型，得到图像的投影矩阵；根据得到的投影矩阵，对未知的图像进行分类。本方法使用低秩数据矩阵作为输入，使用F范数作为样本间距离测量标准，使得高维空间中距离较近的数据在投影到低维空间后仍保持距离较近，从而保持数据的局部结构。

摘要： 本发明公开了一种基于自适应局部稀疏保持投影的一维距离像识别方法，该方法首先对实测一维距离像信号样本进行预处理；然后通过稀疏保持投影法得到稀疏系数矩阵，由局部保持投影法得到局部相似矩阵；接着将稀疏保持投影方程和局部保持投影方程及自适应最大间距准则进行融合，建立联合约束方程组，得到自适应局部稀疏保持投影矩阵；最后通过投影矩阵将训练样本和测试样本投影到低维空间，用支持向量机对其进行训练和分类。本发明基于稀疏保持投影、局部保持投影和自适应最大间距准则，充分利用样本稀疏重构、近邻关系中包含的识别信息结合自适应最大间距准则提取样本低维特征，提高了一维距离像信号的识别精度、降低了特征维度、增强了抗干扰性。

摘要： 本发明涉及一种基于局部保持投影和XGBoost的配电网线损预测方法，包括：构建原始数据，包括电气特征指标和线损数据；对电气特征指标进行归一化，并通过局部保持投影方法进行特征压缩；将压缩后的特征作为XGBoost模型的输入，线损数据为XGBoost模型的输出，设置学习率、动量、迭代次数参数进行模型训练；通过局部保持投影和训练好的XGBoost模型进行线损预测。本发明使用局部保持投影对电气指标进行特征分析，有效减少了模型输入数据中的冗余信息，降低了输入维度；XGBoost模型具有更强的非线性特征捕获能力，对日线损率模型预测精度提升的作用更大。

摘要： 本申请公开了一种基于局部保持投影的人脸识别方法、系统及计算机存储介质，其基于LPP的特点，并对投影矩阵进行改进，采用有监督的双向二维LPP方法来提取人脸图像的特征，并使用本申请提出的子特征投票的方法进行分类，经过实验验证，本申请的方法比LPP方法更有效。