维数约简

摘要： 目的提出新的高维机加工艺设计方法,解决工艺元聚类驱动的工艺设计方法效率低和精度差等问题,使最终得到的工艺设计过程能够更加贴近高维机加工艺设计的本质,符合工艺设计者的加工意图。方法建立多维度工艺信息场中的高维工艺元描述模型,通过运用核函数原理对高维工艺元模型进行维数约简,得到带有高维机加工艺特性的低维工艺元模型;在此基础上,构建基于高维相似性度量算法的工艺元聚类分析方法,并结合加工意图实现基于工艺元组的机加工艺设计。结果实现了更贴近加工意图的工艺设计,保证了工艺设计的高维特性,具有客观、准确、高效等特性。结论实例证明,该方法能够应用于解决传统的基于聚类分析的工艺设计结果与实际需求匹配度低的问题。

摘要： 针对球磨机筒体振动信号中磨机负荷状态信息难以识别的问题,提出一种基于集成矩阵距离测度的监督二阶张量局部保持投影(SSTLPP-IMDM)算法的多传感器融合特征维数约简方法。首先,以二阶张量作为球磨机筒体振动信号特征融合的表现形式,通过对传统张量局部保持投影(TPPP)算法进行改进,提出SSTLPP-IMDM算法,对多传感器特征矩阵进行维数约简。最后,将提出的方法运用于球磨机磨矿作业,对磨机负荷进行识别,通过实验数据进行验证,验证该方法的有效性和优越性。

摘要： 大量维数约简(Dimensionality reducion, DR)方法表明保持数据间稀疏特性的同时,确保几何结构的保持能更有效提取出具有鉴别性的特征,为此本文提出一种联合局部几何近邻结构和局部稀疏流形的维数约简方法.该方法首先通过局部线性嵌入方法重构每个样本以保持数据的局部线性关系,同时计算样本邻域内的局部稀疏流形结构,在此基础上通过图嵌入框架保持数据的局部几何近邻结构和稀疏结构,最后在低维嵌入空间中使类内数据尽可能聚集,提取低维鉴别特征,从而提升地物分类性能.在Indian Pines和PaviaU高光谱数据集上的实验结果表明,本文方法相较于传统维数约简方法能明显提高地物的分类性能,总体分类可达到83.02%和91.20%,有利于实际应用.

摘要： 针对故障诊断中呈现强非线性的故障数据集维数过高以及有标签故障样本不足的问题,引入核方法和半监督思想,提出了一种基于核半监督局部Fisher判别分析(kernel semi-supervised local Fisher discriminant analysis,简称KSELF)的降维方法.首先,通过核方法将原始故障数据集映射到高维特征空间中;其次,在高维空间中基于半监督局部Fisher判别分析得出投影转换矩阵;最后,用一双跨度转子实验台的故障特征数据集对所提出的方法进行了验证.所提出的KSELF降维方法能够有效捕捉数据的非线性信息,并能充分利用少量标签样本和大量无标签故障样本中的故障信息,避免了过学习问题.实验结果表明,KSELF方法相比实验中的其他方法,其降维能力稳定,能够获得更好的降维效果和更高的分类准确率.

摘要： 主成分分析(Principal component analysis,PCA)是处理高维数据的重要方法.近年来,基于各种范数的PCA模型得到广泛研究,用以提高PCA对噪声的鲁棒性.但是这些算法一方面没有考虑重建误差和投影数据描述方差之间的关系;另一方面也缺少确定样本点可靠性(不确定性)的度量机制.针对这些问题,本文提出一种新的鲁棒PCA模型.首先采用L2,p模来度量重建误差和投影数据的描述方差.基于重建误差和描述方差之间的关系建立自适应概率误差极小化模型,据此计算主成分对于数据描述的不确定性,进而提出了鲁棒自适应概率加权PCA模型(RPCA-PW).此外,本文还设计了对应的求解优化方案.对人工数据集、UCI数据集和人脸数据库的实验结果表明,RPCA-PW在整体上优于其他PCA算法.

摘要： 针对故障特征集维数过高导致故障难以辨识的问题,提出一种基于半监督邻域自适应正交判别投影(SSNA-ODP)的转子故障诊断方法.提取原始振动信号的时域、频域、时频域特征构造混合域特征集;利用SSNA-ODP方法对混合域特征集进行维数约简,提取出有利于实施分类的低维特征子集;输入到支持向量机(SVM)中进行模式识别.典型故障数据样本的应用验证情况表明,该方法能够改善ODP方法在有标记样本较少时的泛化能力和使用全局统一邻域参数的数据流形特征,从而有效提高了故障识别的准确率.

摘要： 通过维数约简实现特征提取是图像识别的一个重要步骤.由于同一种作物病害叶片和病斑图像的高度复杂性,在各种不同拍摄角度、位置和光照等条件下得到的图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于作物叶部病害识别.本文在判别局部保持投影(Discriminant Locality Preserving Projections,DLPP)的基础上,提出一种基于DLPP的苹果叶部病害识别方法.首先利用GrabCut算法对采集的病害叶部图像进行背景分割,然后利用分水岭算法对去背景图像进行分割,得到病斑图像;再利用DLPP将病斑图像投影到低维判别空间,得到分类特征;最后利用K-最近邻分类器进行病害类别识别.在实际苹果病害叶片图像数据库上的实验结果表明,该方法是有效可行的.

摘要： 多变量时间序列(Multivariate Time Series,MTS)具有多变量性和高冗余性,使用聚类分析从海量、高维的MT S数据中挖掘有趣模式具有重要意义.本文从基于实例、基于特征和基于模型的角度,对近年来MT S聚类方法的研究进行归类,为研究者了解最新的MT S聚类方法研究动态和发展趋势提供参考.

摘要： 针对现有多流形学习方法未考虑流形间边界信息而导致降维后数据不易于分类的问题,提出一种新的边界判别多流形分析(margin discriminant multi-manifold analysis,MDMA)方法.该方法同时考虑数据的类内相似性、类问差异性、同类流形结构和异类流形结构,并且为避免降维过程中出现小样本问题,在构造目标函数时将这4点归结为指数化迹商优化结构.通过两个转子系统试验数据集进行验证.结果 表明,与其他几种典型降维方法对比,该方法能更有效地提取出蕴含在数据中的判别信息,在故障辨识中表现出更好的分类性能.

摘要： 为实现金属铣削过程中的刀具磨损状态识别的自动化与高精度,本文提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法.该方法首先利用时域与小波分析技术对铣削过程中的切削轴向力信号进行处理,构造了高维特征空间.然后使用基于流形学习中的局部切空间排列(LTSA)方法实现高维特征的维数约简.最终利用低维特征向量训练HMM,实现刀具磨损状态的识别.通过实验验证该方法能够有效地识别铣削过程的刀具磨损状态.与未经特征维数约简的识别方法相比,本文的方法能够提高刀具磨损状态的识别效率与准确率.

摘要： 主成分分析(Principal Component Analysis, PCA) 是机器学习领域里一个非常重要的统计方法。经典的PCA基于重构误差最小或最大化方差，其具有全局的结构性。本文在原有的方法上加入一正则项，提出一种称为局部光滑主成分分析算法(Locally Smooth PCA, LSPCA)。LSPCA不仅具有PCA大部分优点，更重要的是具备如局部光滑性等新特征。基于人脸识别的实验表明，LSPCA在维数约简、特征提取等方面具有优越性。

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： 在文本分类中，特征维数高是必须处理的问题，有效的维数约简技术可以提高分类器学习任务的效率和分类性能，已有研究表明投影寻踪是一种有效的降维方法，但在计算多个投影方向的时间复杂性太高，且投影方向的个数难于确定。本文针对这一问题提出一种新的计算方法，即根据剩余文档矩阵信息递归计算每步的主投影方向及判断投影方向个数，并将该方法应用于文本分类，在Reuters-21578文档集上进行实验，结果表明此方法能有效提取投影方向，在3-5维时就能达到很好的分类效果。

摘要： 为了提取主要特征和方便处理,大多数机器学习任务都要求把高维数据投影到低维空间.在这些拓扑空间中,数据对象的相似性一般由欧式距离来度量.讨论了对某些应用而言,相似性也可以以路径为指标来衡量,并且讨论了特征选取中局部和全局的关系.基于图谱理论,提出了一种结合路径特征和距离特征的维数约简方法,旨在发掘和保持原有数据中有意义的局部近邻关系.在信息检索和人脸识别的试验中,它取得了较好的效果.

摘要： 文本被表示为向量空间模型后,是维数非常高的数据,对其进行维数约简是必要的.投影寻踪正是一种稳健的、非参数化的维数约简方法.提出了一种基于投影寻踪回归的文本自动分类模型.应用该模型,可以真实地描述高维数据的客观内在规律,从而达到提高文本分类精度的目的,岭函数拟合函数的合理选择是提高分类精度的关键,故对拟合函数的选取做了初步的研究.采用标准文档集Reuters-21578进行了分类实验,同时在相同的预处理条件下,与目前常用的方法进行了对比实验.实验结果表明,该模型对文本自动分类具有较高的召回率和准确率。

摘要： 本文将 CBIR 的相关反馈过程视为在线学习过程,将图像检索问题视为分类问题,针对实际图像检索过程 中相关反馈有限、未标记图像数据丰富以及图像数据嵌入在低维流形结构中等特点,提出一种基于流形正则化的半 监督图像检索方法,该方法具有如下特点:(1)采用流形表示图像的几何结构;(2)利用未标记图像数据改善分类效 果;(3)通过正则化技术,同时兼顾分类误差、数据分布的几何结构以及分类函数的复杂性;(4)同时兼顾图像数据的局 部结构和全局结构.在 Corel 图像数据集上的实验结果表明,基于拉普拉斯流形正则化的半监督图像检索方法能获 得较好的效果.

摘要： 本文将 CBIR 的相关反馈过程视为在线学习过程,将图像检索问题视为分类问题,针对实际图像检索过程 中相关反馈有限、未标记图像数据丰富以及图像数据嵌入在低维流形结构中等特点,提出一种基于流形正则化的半 监督图像检索方法,该方法具有如下特点:(1)采用流形表示图像的几何结构;(2)利用未标记图像数据改善分类效 果;(3)通过正则化技术,同时兼顾分类误差、数据分布的几何结构以及分类函数的复杂性;(4)同时兼顾图像数据的局 部结构和全局结构.在 Corel 图像数据集上的实验结果表明,基于拉普拉斯流形正则化的半监督图像检索方法能获 得较好的效果.

摘要： 本文将 CBIR 的相关反馈过程视为在线学习过程,将图像检索问题视为分类问题,针对实际图像检索过程 中相关反馈有限、未标记图像数据丰富以及图像数据嵌入在低维流形结构中等特点,提出一种基于流形正则化的半 监督图像检索方法,该方法具有如下特点:(1)采用流形表示图像的几何结构;(2)利用未标记图像数据改善分类效 果;(3)通过正则化技术,同时兼顾分类误差、数据分布的几何结构以及分类函数的复杂性;(4)同时兼顾图像数据的局 部结构和全局结构.在 Corel 图像数据集上的实验结果表明,基于拉普拉斯流形正则化的半监督图像检索方法能获 得较好的效果.

摘要： 本文将 CBIR 的相关反馈过程视为在线学习过程,将图像检索问题视为分类问题,针对实际图像检索过程 中相关反馈有限、未标记图像数据丰富以及图像数据嵌入在低维流形结构中等特点,提出一种基于流形正则化的半 监督图像检索方法,该方法具有如下特点:(1)采用流形表示图像的几何结构;(2)利用未标记图像数据改善分类效 果;(3)通过正则化技术,同时兼顾分类误差、数据分布的几何结构以及分类函数的复杂性;(4)同时兼顾图像数据的局 部结构和全局结构.在 Corel 图像数据集上的实验结果表明,基于拉普拉斯流形正则化的半监督图像检索方法能获 得较好的效果.

摘要： 本发明公开了一种三维空间手写字符维数约简方法。现有三维字符降维方法计算量大或可视性差。本发明如下：一、定义初始三维坐标系。二、获取运动指尖的空间坐标并生成离散点集。三、用OBB包围盒算法针对步骤二所得离散点集建立有向长方体。四、确定自适应投影面。五、建立投影二维坐标系。六、将离散点集投影到自适应投影面上。七、旋转校正。八、依次连接输出点集内的n个输出点，得到输出轨迹。之后将所得输出轨迹以图片的形式输出。本发明能够精确地对三维手写字符进行降维，保证降维后能够得到固定方向的2D图像，从而实现更好的可视化效果，极大程度地提高了三维空间手写字符的识别率。

摘要： 本发明公开了一种基于维数约简的GNSS/SINS深组合导航系统，包括GNSS信息采集输入端1、N个通道2、N个维数约简模块3、组合导航滤波器4和SINS惯性导航系统5；N个通道2对应N个维数约简模块3，通道2包括相关器121和码/载波NCO122。本发明利用维数约简、高动态场景降噪、信息融合预测、滤波更新周期选取等关键导航技术，引入机器学习方法对系统信号处理算法进行优化与扩展，提升深组合导航技术在新型应用场景下的现代化定位、导航及授时的服务水平。

摘要： 本发明公开了一种基于改进的有监督正交邻域保持嵌入维数约简的故障辨识方法，利用样本的标签信息来调整样本点与点之间的距离以形成新的距离矩阵，通过新的距离矩阵进行邻域构建，同时利用局部集聚系数进行邻域参数的自适应调整，能够获得辨识度更高的低维特征，以低维特征作为支持向量机（SVM）的输入来实现故障诊断，可以有效的将不同故障状态的样本进行分离。

摘要： 本发明涉及一种基于局部约束的图优化维数约简方法，属于图像处理领域。首先将图优化和投影矩阵学习整合到一个统一框架，在维数约简的过程中使得图可以自适应的更新，其次通过引入局部约束，可以很好的挖掘和保持高维数据的局部信息，还提出一个有效且快速的更新策略来求解提出的算法。大量的实验和对比结果表明，本发明具有良好的性能而且优于现有的相关方法，适用于目标识别、数据聚类和数据可视化。

摘要： 本发明公开了一种基于图正则低秩表示维数约简的高光谱图像分类方法，首先用均值漂移技术对高光谱图像进行预分割；对预分割后的高光谱图像进行图正则低秩表示系数，获取图正则低秩系数矩阵；构造出特征值方程；学习出维数约简的映射矩阵，将原始高维数据转换到低维空间中再进行分类。本发明挖掘高光谱图像局部流形结构并保持原图像的空间分布特性，学习出有效的降维空间，提高高光谱图像分类正确率，且降低计算复杂度，主要解决了高光谱图像维数过高而导致计算量大及现有方法分类正确率低的问题，可用于精细农业，目标识别，环境监测等重要领域。

摘要： 本发明公开了一种三维空间手写字符维数约简方法。现有三维字符降维方法计算量大或可视性差。本发明如下：一、定义初始三维坐标系。二、获取运动指尖的空间坐标并生成离散点集。三、用OBB包围盒算法针对步骤二所得离散点集建立有向长方体。四、确定自适应投影面。五、建立投影二维坐标系。六、将离散点集投影到自适应投影面上。七、旋转校正。八、依次连接输出点集内的n个输出点，得到输出轨迹。之后将所得输出轨迹以图片的形式输出。本发明能够精确地对三维手写字符进行降维，保证降维后能够得到固定方向的2D图像，从而实现更好的可视化效果，极大程度地提高了三维空间手写字符的识别率。

摘要： 本发明公开了一种基于双特征正交弹性维数约简的手写体数字识别方法，主要是构建局部无向近邻图与全局几何图的同时引入正交性准则，构建正交弹性维数约简模型，并进一步利用该模型实现了手写体数字的识别任务。其具体实现过程为：(1)利用模态策略对手写体数字图像进行模态化处理；(2)构建正交弹性维数约简模型；(3)利用双特征分解方法对该模型进行求解，并借助最近邻分类器实现的手写体数字的识别。与现有技术相比，本发明提出的基于双特征正交弹性维数约简的手写体数字识别方法更具有效性和鲁棒性。

摘要： 本发明实施例提供一种振动光谱维数约简方法及系统，该方法包括获取待测样本的原始振动光谱数据；基于主成分分析法，对原始振动光谱数据进行特征维数约简处理，获取一次降维数据集；基于T‑SNE降维方法，对一次降维数据集进行二次特征维数约简处理，获取目标降维数据集。本发明实施例提供的振动光谱维数约简方法及系统，将非线性降维方法与线性降维方法进行结合，应用于农产品振动光谱数据的维数约简，在降维过程中最大程度保留了原始数据内在结构，使得降维后性质相近的样本数据相互聚集，性质不同的样本数据彼此远离，有效提高了光谱数据的可视化分离效果，同时也为后续建立分类模型提高分类检测精度提供有力支撑。

摘要： 本发明涉及一种联合图优化和投影学习的维数约简方法，属于模式识别与机器学习领域。首先将图优化和投影矩阵学习整合到一个统一框架，实现在维数约简的过程中能够自适应地学习图结构，并且该图结构可以很好地刻画数据的几何结构。在框架中，本发明通过引入基于l21‑范数的距离度量函数，减少异常值或数据变化带来的负面影响，从而提高算法的鲁棒性。此外，本发明通过引入局部约束保证尽可能选择近邻区域样本进行重构，从而确保算法能够较好的保持高维数据的局部结构信。最后本发明给出一种有效的迭代更新算法来解决模型。本发明通过大量的实验，实验结果验证了本发明具有良好的性能而且优于现有的相关方法，适用于高维数据的分类和聚类任务。

摘要： 本发明提供一种基于多重局部约束的图优化维数约简方法(DRMLCGO)。与现有的图嵌入维数约简方法相比，该方法具有如下优点：1)为了避免基于k近邻或ε球准则构图策略中的参数选择问题，本发明采用线性重构的思想，即利用高维数据间的重构系数自适应地构建图；2)本发明将图学习与投影矩阵学习整合到统一框架，在维数约简的过程中自动地对图结构进行更新和优化，从而解决了图构建与维数约简分离的问题；3)为了使所学的图能够全面和准确地刻画高维数据的本征结构，本发明充分利用多重局部约束，并自适应对其加权融合；4)本发明提出一种有效的迭代算法求解目标函数。在三个标准人脸图像数据库上验证了DRMLCGO的方法的有效性。