基于监督局部线性嵌入的飞机目标识别方法

维数约简是目标识别的一个重要预处理步骤.由于飞机目标图像对各种空间变换(包括平移、尺度、旋转等变换)和观察角度、位置以及光照等因素都比较敏感,使得很多线性维数约简算法不能有效地用于飞机目标识别.局部线性嵌入(LLE)是一种有效的非线性维数约简方法,提出了一种基于LLE的监督LLE算法,并应用于多种条件下的飞机目标识别中...     

基于局部线性嵌入稀疏表示的人群行为检测

针对人群行为检测中行为特征维数高,数据量大以及特征局部流形结构不稳定的问题,本文提出了一种新的人群行为检测方法。该方法首先利用改进变分光流算法初步提取人群运动特征,对视频序列中各帧图像分块获取低维行为特征,然后利用局部线性嵌入稀疏表示对其进行分类。基于局部线性嵌入(Locally linear embedding,LLE)的正则项能够有效的保留测试样本的局部流形结构,提高样本的判别能力。实验结果表明本文的算法能够有效地提高人群行为检测效率。     

基于Gabor小波和LLE的掌纹识别

为了更好地提取掌纹图像的非线性特征,文中提出一种基于Gabor小波变换和局部线性嵌入的掌纹识别算法。通过提取ROI进行光照和滤波预处理,之后进行Gabor小波变换,提取掌纹图像的多尺度特征,利用非线性的LLE算法提取主元,用最近邻方法进行分类。通过PolyU掌纹库进行验证,比较了预处理、不同ROI提取方法、LLE算法的参数对识别率的影响。实验表明,此方法相比于传统的线性降维算法以及单独的LLE算法在识别率上均有所提高。     

基于扩展LLE方法的非线性系统故障诊断研究

针对非线性系统故障诊断难以解决的问题,提出了一种基于扩展局部线性嵌入映射(Locally Linear Embedding,LLE)的故障诊断方法.通过引入切空间距离代替欧氏距离,可以更加科学的满足算法近邻点局部线性的要求,从而可以更好的保留原始数据的局部流形特征.另外,将故障状态与高维空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展相结合,减少了计算量,提高了算法的实时性,从而为复杂非线性系统的故障诊断提供了一种新的有效的方法.     

基于改进的监督LLE人脸识别算法

LLE是一种无监督的非线性降维方法,广泛应用于人脸特征提取,但是该方法缺乏样本点的类别信息.提出了一种新方法,在LLE的基础上引入有监督的学习机制和增加样本点的类别信息,通过减少类内距离而增加类间距离和最小化局部数据的全局重构误差,同时结合核邻域保持投影方法(KNPP)来提取高维人脸数据的非线性特征.算法有利于分类识别...     

利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取

溢油事故带来的海洋污染问题日益严重,SAR图像快速准确地自动识别为溢油事故的处理和决策支持提供了重要前提。为了获得更高的油膜识别准确率,提出了一种基于曲波变换（Curvelet）和局部线性嵌入（Local Linear Embedding,LLE）算法的SAR图像特征提取方法。首先,利用Curvelet对图像进行分解,选取包含了主要信息的低频分量作为新的图像矩阵;然后,利用LLE进行非线性降维,提取图像分类特征。为了验证提取特征的有效性,所提的Curvelet-LLE算法与PCA、LLE、等距特征映射（Isomap）、Curvelet变换和 Fisher 判别分析(Curvelet-KFD)、Wavelet-LLE等特征提取算法,利用K最近邻和支持向量机分类器分别进行了对比实验。实验结果表明,Curvelet-LLE算法能更有效地提取SAR图像油膜识别的分类鉴别特征,其准确率相对较高,具有较好的实用性。     

基于KLLE和KNR的雷达目标一维像识别

局部线性嵌入(LLE)是一种有代表性的流形学习算法,利用核技术将LLE进行推广,得到核局部线性嵌入算法,并将其应用于雷达目标一维距离像的特征提取。然后采用一种基于核的非线性分类器,对所提取的特征进行分类。对3种飞机的实测数据进行识别实验,结果表明,该方法具有较优的识别性能。     

基于有监督的核局部线性嵌入的人脸性别识别

流形学习方法可以有效地发现存在于高维图像空间的低维子流形并进行维数约简,但它是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简.针对这两个问题,提出一种新的有监督的核局部线性嵌入算法(SKLLE,supervised kernel local linear embedding).该算法通过非线性核映射将人脸样本投影到高维核特征空间,然后将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,提取低维鉴别流形特征用于分类.SKLLE算法不仅能发现嵌入于高维人脸图像的低维子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高人脸性别识别的性能.     

利用LLE进行重建的人脸图像多角度相互转化算法

针对现有多角度人脸图像相互转化算法存在复杂度高、运算量大、重建结果中头发、脸部轮廓部位比较模糊的问题,提出一种利用局部性嵌入法(LLE)进行重建的多角度人脸图像相互转化算法.将人脸特定角度空间的重建系数运用到目标角度空间,在权值求取时运用局部线性嵌入非线性降维算法,并将算法中的局部协方差矩阵进行大常数对角加载.对比实验结果表明,该算法简单,计算速度快,转化后图像质量高,并且在头发和人脸边缘部分合成效果明显优于现有算法.     

基于流形的目标跟踪系统设计

设计实现了基于流形的目标跟踪系统.利用局部线性嵌入(LLE)算法和粒子滤波器算法构建了一个贝叶斯推理网络以实现目标跟踪.同时,提出了一种新的利用LLE算法进行目标跟踪的方法,有效地改善了对复杂目标运动进行跟踪的效果.     

一种新的空间数据不确定性重建方法

在重建空间数据时,如果条件数据较少甚至没有任何条件数据,重建结果常常出现较多的不确定性,此时适合采用基于统计原理的随机模拟方法重建空间数据.多点信息统计法（Multiple-Point Statistics,MPS）是目前随机模拟的主流方法,它可以将训练图像中提取的本质特征复制到重建区域.由于传统采用线性降维的MPS无法较好处理非线性数据,而局部线性嵌入（Locally Linear Embedding,LLE）可以实现对非线性数据的降维,因此提出LLE与MPS相结合的空间数据不确定性重建方法.利用该方法对图像数据进行重建实验,实验结果证明该方法的有效性.     

基于LLE和BP神经网络的人脸识别

利用LLE非线性降维方法提取人脸特征,然后将提取出来的特征输入到BP神经网络进行训练得到人脸类间的判别信息,进行人脸识别。利用LLE降维方法既能够降低数据维数,减少运算量,又很好的保留了各类人脸样本的拓扑结构,避免人脸图像光照、姿态等因素对人脸识别的影响。在ORL人脸库上的实验结果表明了,这种方法是有效的。     

Anomaly Detection for Hyperspectral Images Based on Robust Locally Linear Embedding

In this paper, anomaly detection in hyperspectral images is investigated using robust locally linear embedding (RLLE) for dimensionality reduction in conjunction with the RX anomaly detector. The new RX-RLLE method is implemented for large images by subdividing the original image and applying the RX-RLLE operations to each subset. Moreover, from the kernel view of LLE, it is demonstrated that the RX-RLLE is equivalent to introducing a locally linear embedding (LLE) kernel into the kernel RX (KRX) algorithm. Experimental results indicate that the RX-RLLE has good anomaly detection performance and that RLLE has superior performance to LLE and principal component analysis (PCA) for dimensionality reduction in the application of anomaly detection.     

最大边缘准则图形嵌入在人脸识别中的应用

局部线性嵌入是一种有效地非线性维数约减方法,它能保持降维后的数据与原空间有相同的拓扑关系。但是这种方法在降维处理、可视化以及数据分类方面应用不是很广泛,针对上述问题,提出了一种新的、有效的降维以及数据分类方法——基于最大边缘准则图形嵌入方法。该方法首先构建最近邻关系图聚合数据点之间的最近邻样本,同时最大化类间间隔,保证不同类之间数据可分性大,从而更好地实现数据分类。最后,该方法的有效性分别在ORL及Yale两大人脸库上得到了验证。     

基于一种改进的监督流形学习算法的语音情感识别

为了有效提高语音情感识别的性能,需要对嵌入在高维声学特征空间的非线性流形上的语音特征数据作非线性降维处理。监督局部线性嵌入(SLLE)是一种典型的用于非线性降维的监督流形学习算法。该文针对SLLE存在的缺陷,提出一种能够增强低维嵌入数据的判别力,具备最优泛化能力的改进SLLE算法。利用该算法对包含韵律和音质特征的48维语音情感特征数据进行非线性降维,提取低维嵌入判别特征用于生气、高兴、悲伤和中性4类情感的识别。在自然情感语音数据库的实验结果表明,该算法仅利用较少的9维嵌入特征就取得了90.78%的最高正确识别率,比SLLE提高了15.65%。可见,该算法用于语音情感特征数据的非线性降维,可以较好地改善语音情感识别结果。     

Autonomic failure prediction based on manifold learning for large-scale distributed systems

This article investigates autonomic failure prediction in large-scale distributed systems with nonlinear dimensionality reduction to automatically extract failure features.Most existing methods for failure prediction focus on building prediction models or heuristic rules by discovering failure patterns,but the process of feature extraction before failure patterns recognition is rarely considered due to the increasing complexity of modern distributed systems.In this work,a novel performance-centric approach to automate failure prediction is proposed based on manifold learning(ML).In addition,the ML algorithm named supervised locally linear embedding(SLLE)is applied to achieve feature extraction.To generalize the dimensionality reduction mapping,the nonlinear mapping approximation and optimization solution is also proposed.In experimental work a file transfer test bed with fault injection is developed which can gather multilevel performance metrics transparently.Based on the runtime monitoring of these metrics,the SLLE method can automatically predict more than 50% of the central processing unit(CPU)and memory failures,and around 70% of the network failure.     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。