基于邻域保留投影的工作模态参数识别

针对拉普拉斯特征映射和等距离映射算法识别弱非线性特征模态精度低的缺点，提出一种利用邻域保留投影算法的工作模态参数识别方法。该方法利用局部线性特征寻找结构位移响应数据的低维嵌入数据，低维嵌入数据与模态坐标响应矩阵相对应；利用单自由度识别技术从模态响应矩阵中识别出结构的模态固有频率；再用最小二乘广义逆估计变换矩阵，变换矩阵与模态振型矩阵相对应。该方法能够保留数据的局部线性特征，从而识别弱非线性模态。通过三维圆柱壳仿真数据集的识别结果表明，相比拉普拉斯特征映射和等距离映射算法，邻域保留投影算法能够更有效地识别出弱非线性特征模态的参数，平均识别精度更高。     

基于滑动窗邻域保留投影的工作模态分析

为了识别线性慢时变结构的工作模态参数,提出一种基于滑动窗邻域保留投影(MWNPE)的工作模态参数识别方法。该方法基于“时间冻结”理论,利用固定长度的窗口,将每个窗口内的非平稳信号看作平稳的随机序列,从而将线性时变结构离散成有限个线性时不变结构。在每个窗口内,利用邻域保留投影算法寻找窗口内位移响应数据的低维嵌入,低维嵌入与模态坐标响应矩阵相对应;再利用单自由度识别技术从模态响应矩阵中识别出窗口的模态固有频率;最后,利用最小二乘广义逆估计出变换矩阵,变换矩阵与模态振型矩阵相对应。通过质量慢时变三自由度(DOF)的仿真结构验证表明,所提方法能有效识别出线性慢时变结构的工作模态参数,且识别精度优于滑动窗主成分分析方法和滑动窗等变自适应源分离(EASI)方法。     

局部线性嵌入算法及其在信号处理中的应用

局部线性嵌入算法将高维信息通过变换降到低维数的特征空间中,从而压缩数据突出信号主要特征.该算法很好地弥补了线性降维不能发现数据集非线性结构的不足.本文详细介绍了局部线性嵌入算法的基本原理和运算步骤,并将该方法应用于混有高斯白噪声的ECG信号降噪和混有弱冲击正弦信号的特征提取中.处理结果表明,局部线性嵌入算法不仅可以处理线性信号,还能较好地处理非线性信号,具有较好地工程推广价值.     

基于邻域自适应LLTSA维数约简的故障诊断方法研究

针对线性局部切空间排列(LLTSA)在进行故障特征降维时邻域大小难以确定的问题,提出了基于邻域自适应线性局部切空间排列(NA-LLTSA)维数约简的故障诊断方法。即首先从机械振动信号中全面提取出高维的混合故障特征集;其次采用基于Parzen窗概率密度的邻域自适应线性局部切空间排列进行维数约简,获得低维特征;最后通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。NA-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。     

自组织LLE算法及其在人脸识别中的应用

流形学习方法可以有效的发现存在于高维图像空间的低维子流形并进行维数约简,近年来越来越受到生物特征识别和认知科学领域的研究者的重视。针对局部线性嵌入（Local linear embedding,简称LLE）流形学习算法存在的问题,本文提出了一种自组织LLE算法(Self-Organized LLE,简称SO-LLE),该算法不仅能自动确定数据点邻域选择、减少运算量,而且能有效的发现嵌入于高维人脸图像的低维子流形。本文对SO-LLE算法进行了详细的理论分析,并应用各种数据集进行了仿真实验和分析。在公开的人脸数据库上的仿真实验结果表明,该方法能有效的提高人脸识别的性能。     

模拟电路故障特征降维方法

为有效进行模拟电路故障特征的降维处理,在线性判别分析中通过引入局部化思想提出一种局部线性判别分析降维方法。首先,构造单个数据的局部数据块,计算其类内、类间散度矩阵,通过缩放因子平衡局部邻域类内紧性和类间散性之差建立单个数据的局部优化准则;然后,在整个数据空间中采用对齐算法重构最终目标函数,最后使用标准特征值分解方法求得投影矩阵完成数据降维。算法充分利用数据的局部判别信息使其能够处理数据的非线性并保持数据的类区分度,而且克服了线性判别分析中的小样本问题。算法在标准数据集和模拟电路故障特征提取中进行实验均取得了较好的效果。     

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解（EEMD）、特征选择与t-分布邻域嵌入（t-SNE）的诊断方法。采用EEMD分解故障信号获得若干本征模态函数（IMF）,采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机（LSSVM）中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。     

基于改进的有监督正交邻域保持嵌入的故障辨识

<正>交邻域保持嵌入(Orthogonal neighborhood preserving embedding,ONPE)是一种无监督的特征降维方法,且使用的是全局统一的邻域参数,在对高维故障特征集进行特征降维时,不能利用样本的类别标签信息和不能够根据样本空间分布的变化自适应调整邻域参数,使获得的低维特征仍出现混叠的情况。针对上述问题,提出了基于改进的有监督正交邻域保持嵌入(Improved supervised ONPE,IS-ONPE)特征降维的故障辨识方法。IS-ONPE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(Support Vector Machine,SVM)的输入来实现故障辨识。齿轮的故障辨识结果表明,所提出的方法能够提高故障辨识效果,具有一定优势。     

基于分维LLE和Fisher判别的故障诊断方法

针对非线性系统故障诊断难以解决的问题,通过改进的局部线性嵌入映射算法解决了非线性数据的特征映射问题。首先,通过线性拟合改进了基于分形维估计的内在维数的估计。然后,将故障状态与空间分布结合起来,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结合起来,大大减少了计算量,提高了算法的实时性。然后,利用Fisher判别分析进行故障匹配,通过计算最优的投影向量与历史故障数据投影向量的相似度的计算,完成故障识别,从而为复杂非线性系统故障诊断提供了一种新的有效的方法。     

判别式正交线性局部切空间排列故障辨识

针对现有旋转机械故障诊断模式难以实现自动化、高精度和泛化性的关键问题,提出基于判别式正交线性局部切空间排列特征约简的故障辨识方法。该方法首先构造全面表征不同故障特性的时、频域特征集,再利用DOLLTSA将高维时、频域特征集自动约简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。时、频域特征融集可较全面准确地反映旋转机械的故障特征;DOLLTSA综合利用局部几何结构和类判别信息进行流形解耦,并采用谱回归法和子空间正交化处理来优化低维嵌入子空间,提高了故障辨识精度。深沟球轴承故障诊断实例和空间轴承寿命状态辨识实例验证了所提方法的有效性。     

基于提升核偏最小二乘回归的色彩校正

为进一步提高回归算法的色彩校正精度,提出一个基于核偏最小二乘回归的局部迭代算法.该算法首先将源色彩空间中校正样本的邻域样本经核函数映射到一个高维的线性特征空间,然后在提升的迭代过程中通过偏最小二乘回归消除映射数据的多重共线性,最终达到色彩校正的目的.实验证明算法引入的特征空间提供了额外的校正信息,提升方法增强了核偏最小二乘回归性能,算法在精度和鲁棒性上均优于传统的多重回归和基于分区的回归校正方法.     

基于半监督LLTSA维数约简的故障诊断

线性局部切空间排列(LLTSA)为无监督的维数约简方法,在对高维故障特征集进行维数约简时,不能利用部分样本的类别标签信息,使得获得的低维特征仍出现混叠的情况。针对这个问题,提出了半监督线性局部切空间排列(SS-LLTSA)的维数约简方法,即利用部分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,实现了数据本质流行结构和类别标签信息的结合,能够提取区分度更好的低维特征。此外,还通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。SS-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。     

基于聚类优化的非负矩阵分解方法及其应用

针对不断增加的机电系统运行状态信息,传统的特征提取和选择方法已无法满足需求。根据非负矩阵分解典型算法的特点,基于非负矩阵分解的聚类特性,提出了一种面向故障诊断的分解方法。通过分类能力和迭代效率的对比分析,选择了相关性约束和稀疏性约束的改进型交替最小二乘迭代算法,确定了低维嵌入维数及迭代初始化方法,在UCI测试数据集和TEP系统的特征选择应用中验证了该方法的有效性。     

一种半监督邻域自适应线性局部切空间排列的故障识别方法研究

线性局部切空间排列算法(Linear local tangent space alignment,LLTSA)是能够较好应用于模式识别问题的降维方法,但由于其属于无监督的降维方法且在降维过程中只使用全局统一的邻域参数,使得在对高维数据集进行约简时,不能利用部分样本的类别标签信息且不能根据样本空间分布的变化调整邻域参数。针对上述问题,提出了一种半监督邻域自适应线性局部切空间排列算法(Semi-supervised neighborhood self-adaptive LLTSA,SSNA-LLTSA)。该算法在LLTSA的基础上,利用部分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来完成邻域构建,同时根据每个数据样本点邻域的概率密度自适应地调整邻域参数,进而得到更好的降维效果。经典的三维流形、UCI典型数据集模式识别和轴承故障诊断的实验结果表明,该算法克服了LLTSA算法无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。     

可变近邻参数的局部线性嵌入算法及其在轴承状态识别中的应用

局部线性嵌入(Locally linear embedding,LLE)算法通过局部线性来逼近全局的非线性,优点在于可保持降维前后样本点近邻之间的线性结构不变,并且计算速度较快。但是该算法对近邻值的选择十分敏感,不同近邻点数的选择对降维效果影响较大。针对此问题,利用残差作为评价降维前后保持样本距离信息优劣的指标,提出一种改进的可变近邻局部线性嵌入(Variable K-nearest neighbor locally linear embedding,VKLLE)算法,即通过给定一个最大近邻数目值,比较降维前后的残差值,根据较小值选择最优的近邻点数,从而使得每个样本点的近邻点数可据残差值进行调整。通过对手写体数字(Mixingnational institute of standards and technology,MNIST)数据集的仿真分析,并与LLE算法进行比较,此方法降维效果更好,计算复杂度也明显降低。最后将该算法运用于轴承状态识别,取得了较好的效果,同时还有效地提高了分类性能和稳定性。     

基于非线性流形学习的磨粒特征提取方法

针对磨粒特征参数多、非线性突出的问题,提出一种基于非线性流形学习的磨粒特征提取方法。该方法将磨粒特征重构到高维相空间中,利用局部线性嵌入算法提取出隐藏其中的低维流形,并根据数据流形的弯曲性和邻域参数的关系,实现高维相空间中局部邻域参数的自适应选取。实验结果表明,该方法有效地克服了主成分分析和核主成分分析方法的不足,提取的磨粒特征敏感性更好,从而提高了磨粒识别的精度。     

基于紫外吸收光谱的水质硝酸盐含量LLE-SVR建模

基于紫外吸收光谱的总氮测定方法在分析精度上严重依赖于所建数学模型的预测精度.针对紫外光谱数据波段多,容易引入未知物质干扰光谱信息的问题,提出了局部线性嵌入( local linear embedded,LLE)和偏最小二乘支持向量回归机(least square support vector regression machine,LS-SVR)相结合的紫外吸收光谱数据建模方法.首先利用LLE算法将高维的紫外吸收光谱映射到低维的流形空间,实现高维非线性光谱数据结构的特征提取,并利用LS-SVR建立硝酸盐含量的非线性回归模型.仿真结果表明:利用LLE-SVR方法获得的硝酸盐含量预测模型,其训练样本的相对误差为0.001 9,测试样本相对误差为0.035 8,小于单纯的LS-SVR模型的0.023 3和0.0602.     

基于有监督的核局部线性嵌入的面部表情识别

流形学习方法可以有效的发现存在于高维图像空间的低维子流形并进行维数约简,近年来越来越受到生物特征识别和认知科学领域的研究者的重视。但是流形学习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,本文提出一种新的有监督的核局部线性嵌入算法(supervised kernel local linear embedding,SKLLE),并将算法应用于面部表情识别。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息进行有效的结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入于高维人脸图像空间的低维表情子流形,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面部表情识别的性能。     

基于局部自适应鲁棒回归的点云消噪

针对传统点云消噪算法低频平滑与高频磨平之间的矛盾,提出基于局部自适应邻域鲁棒回归的点云消噪算法。提出采样点局部自适应邻域的概念,使采样点邻域的大小能够根据模型局部形状进行自适应调整,为点云模型的低频区域平滑和高频区域特征保持奠定基础;针对传统的最小二乘曲面拟合受旁值点影响大,采样点微分几何信息提取可靠性差的问题,提出对采样点局部自适应邻域进行鲁棒回归,以实现采样点微分几何信息的可靠提取;以采样点法向和最大最小曲率为基础,构造一种新的采样点特征测度函数。在对测度函数的特性进行研究的基础上,根据测度函数值将采样点划分为特征点、非特征点和过渡点,并利用特征测度函数进行有效子邻域识别,实现点云数据的低频平滑和高频保特征消噪;通过对比试验验证算法的有效性。     

一种基于非线性流形的滚动轴承复合故障诊断方法

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于非线性流形的滚动轴承复合故障诊断方法。该方法首先提取振动信号的时域指标和小波包频带分解能量所构成的频域指标,组成原始特征空间,采用基于判别准则的邻域因子优化选择算法,运用基于局部切空间排列算法的非线性降维算法对原始特征空间进行学习,极大地保留了信号中内在的整体几何结构信息,从而提取出振动信号最优的敏感故障特征。试验结果表明,与经典的线性降维方法相比,该方法的聚类效果更好。