基于矩阵表示的局部敏感辨别分析

局部敏感辨别分析（LSDA）只能处理向量型数据,当处理图像等数据时容易产生奇异性问题,为此提出了一种二维局部敏感辨别分析（2DLSDA）方法,可以直接处理二维图像矩阵,能够避免奇异性问题.通过使用矩阵表示,2DLSDA可以有效地利用图像像素间中的空间信息.依据近邻的不同,构造2个分别表示类内近邻关系和类间近邻关系的图,计算2个图上的权重矩阵,基于Schur分解求出2个正交变换矩阵.依据图像的2种展开方式,提出了2种单边2DLSDA算法.在ORL和Yale人脸数据集上的实验结果表明,基于Schur分解的2DLSDA与主成分分析（PCA）、线性辨别分析（LDA）、LSDA相比,能够高效地得到正交变换矩阵,并取得更好的分类效果.     

基于线性判别分析的表面肌电信号特征识别

通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路表面肌电信号,取其平均绝对值(MAV)和均方根(RMS)作为特征参数,并应用线性判别分析(LDA)方法对采集的样本进行模式识别。与其它特征识别方式的实验对比表明,所提的识别方法能够成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,且动作识别精度更高。     

基于线性判别分析的表面肌电信号动作模式识别

表面肌电信号(SEMG)属于非平稳的生物电信号,特点是信号微弱、易受干扰.为了有效提取表面肌电信号(SEMG)特征、更好地识别人体上肢运动的模式,针对表面肌电信号的特点提出了一种线性判别分析人体前臂运动特征的识别方法.通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路的表面肌电信号,取平均绝对值(MAV)和均方根(RMS)为特征参数,应用线性判别分析(LDA)方法对样本特征矩阵进行模式识别.与其他特征识别方式的对比实验表明,此方法的动作识别率更高,能够成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,动作的平均识别率达到了99.5%.     

Two linear subpattern dimensionality reduction algorithms

This paper presents two novel algorithms for feature extraction-Subpattern Complete Two Dimensional Linear Discriminant Principal Component Analysis (SpC2DLDPCA) and Subpattern Complete Two Dimensional Locality Preserving Principal Component Analysis (SpC2DLPPCA). The modified SpC2DLDPCA and SpC2DLPPCA algorithm over their non-subpattern version and Subpattern Complete Two Dimensional Principal Component Analysis (SpC2DPCA) methods benefit greatly in the following four points: (1) SpC2DLDPCA and SpC2DLPPCA can avoid the failure that the larger dimension matrix may bring about more consuming time on computing their eigenvalues and eigenvectors. (2) SpC2DLDPCA and SpC2DLPPCA can extract local information to implement recognition. (3)The idea of subblock is introduced into Two Dimensional Principal Component Analysis (2DPCA) and Two Dimensional Linear Discriminant Analysis (2DLDA). SpC2DLDPCA combines a discriminant analysis and a compression technique with low energy loss. (4) The idea is also introduced into 2DPCA and Two Dimensional Locality Preserving projections (2DLPP), so SpC2DLPPCA can preserve local neighbor graph structure and compact feature expressions. Finally, the experiments on the CASIA(B) gait database show that SpC2DLDPCA and SpC2DLPPCA have higher recognition accuracies than their non-subpattern versions and SpC2DPCA.     

基于鲁棒等度规特征映射的非线性降维算法

采用核方法在特征空间推导出一类异于欧氏距离的新度量,代替等度规特征映射(Isomap)中的对噪声敏感的欧式距离,用新度量构造测地距离和相应的最小近邻图,提高Isomap算法的抗噪声能力.利用含噪声的Swiss roll数据和人脸图像数据进行实验验证,结果表明这种基于核特征空间的测地距离具有较强的鲁棒性.     

基于用户关联度的半监督情感分析模型

随着信息技术与社交媒体的不断发展,用户情感分析在舆情监控、信息预测、产品评价上发挥着越来越重要的作用.然而,监督学习手工标签获取困难,无监督学习缺少标签的引导,因此本文基于社会学理论建立了半监督的情感分析模型,该模型主要分为标签添加和情感分析两部分.标签添加部分首先基于情感一致性和情感传染性两种被认可的社会学理论建立UR-S模型,然后通过用户关联度和文本相似度进行改进,建立TRS-SAT模型,增加标签数量.情感分析部分将TRS-SAT模型与卷积神经网络结合,通过卷积神经网络挖掘特征集合与情感分析标签之间的深层次联系,构建半监督学习模型改善情感分析性能.实验表明,本文提出的基于用户关联度和深度学习的半监督情感分析模型,与半监督的支持向量机模型相比,准确率、召回率、F值分别提升11.40%、5.90%、8.65%;与卷积神经网络模型相比,分别提升4.12%、4.17%、4.14%,均有较好的表现.由此证明,该模型能够为舆情分析与用户决策提供良好的理论基础,具有创新性和实用性.     

基于模糊隶属度的加权广义不定核判别分析

对线性不可分的问题,已有许多基于正定核的降维方法,Fisher判别分析法是其中常用的方法。本研究对此类方法进行了改进和推广,首先将正定核推广到不定核,然后提出了基于模糊隶属度的不定核判别分析,最后结合权函数提出了加权广义不定核判别分析。实验结果表明,所提算法不仅有很好的分类效果,而且权函数的选择对分类结果有比较明显的影响。     

基于Fisher判别分析法的岩溶塌陷预测

为了更准确地预测岩溶塌陷,基于Fisher判别分析法,首先选择内聚力、内摩擦角、覆盖层厚度、覆盖层厚度减高水位埋深、覆盖层厚度减低水位埋深5个最主要的影响因素作为判别因子; 接着以桂林市20组岩溶塌陷案例为学习样本进行计算,建立相应的Fisher线性判别函数; 然后利用回代估计法对上述20组样本的预测结果进行逐一检验,其正确率为100%; 随后将上述预测结果与前人运用逐步判别、神经网络判别等方法得到的结果进行比较分析,认为Fisher判别分析法具有不需进行模型和参数的选择以及不受人为因素的影响等优点; 最后将建立的Fisher线性判别函数用于另外的10组实际案例进行预测分析,预测结果与实际情况完全吻合。结果表明:用Fisher判别分析法进行岩溶塌陷预测,简易方便,正确率高,实用性好; 该方法是岩溶塌陷预测的一种新方法。     

基于相关熵和流形学习的多标签特征选择算法

从相关熵的角度出发,提出一种基于相关熵和特征流形学习的稀疏正则化方法,用于解决多标签特征选择问题。在相关熵定义的基础上给出多标签特征选择的回归模型;结合?_{2, 1}范数的性质和特征流形学习的定义建立基于相关熵和特征流形学习的稀疏正则化多标签特征选择模型及算法;证明该算法的收敛性并且通过试验验证所给算法的有效性。     

基于半监督隐含狄利克雷分配的人脸姿态判别方法

针对无监督的主题模型无法对图像主题进行类别标记、有监督主题模型中类别信息的标记繁琐且受主观因素影响的问题,提出了一种半监督主题模型。提取图像中与位置无关的局部特征,用尺度不变特征变换对特征进行描述,用词袋模型将人脸图像表示成一组视觉单词的集合;在基于隐含狄利克雷分配(latent Dirichlet allocation, LDA)方法中的主题-单词层分布上引入少量的类别标记指导未标记样本的分类的基础上提出半监督隐含狄利克雷分配方法。在多姿态人脸判别任务上的测试结果表明该算法比无监督LDA算法分类率高9.0％～24.7％;对于部分遮挡人脸图像、未对齐的人脸图像的分类率比多姿态主成分分析法分别提高8.8％和21.5％～39.8％。结果表明该方法在少量样本标记的情况下,性能逼近有监督的隐含狄利克雷分配方法,且适用于其它图像分类问题。     

两阶段近邻传播半监督聚类算法

近邻传播聚类算法(affinity propagation, AP)受偏向参数影响较大,很难确定最优聚类所需的参数。设计了两阶段近邻传播半监督聚类算法(two-stage semi supervised clustering algorithm based on affinity propagation, 2SAP),在整个数据集上运行半监督近邻传播算法(semi-supervised clustering based on affinity propagation, SAP),得出类代表点集合,在类代表点集合上运行SAP算法得出结果。在实际数据集上进行实验,结果证实:与算法SAP和并行近邻传播半监督聚类算法(parallel computation of semi-supervised clustering algorithm based on affinity propagation,PSAP)相比,2SAP算法的CRI和FCRI值较高,而相应的离散系数较小,说明2SAP受偏向参数的影响较小。     

基于电压分布和判别分析的电网故障在线定位

提出了一种针对广域后备保护的电网故障在线定位新方法。首先根据故障电压分布快速完成故障的一次定位,再利用广域测量系统(Wide Area Measurement System,WAMS)提供的实时电压、电流等电网电气量信息,运用判别分析中的马氏距离判别原理,最终确定出故障元件。仿真结果表明,该算法可以准确地定位出故障元件,满足在线定位的要求,为广域后备保护的实现提供了前提。     

一种基于扩散映射的非线性降维算法

非线性降维方法旨在保持数据局部结构的同时,使不在一个邻域内的点之间的距离变得松弛．作为一种新的流形学习框架,扩散映射通过在扩散过程中保持扩散距离进行降维．基于扩散映射的理论背景,建立了多层谱分解的数值算法,并具体给出了用扩散映射进行非线性降维的算法．实验结果表明,与传统的非线性降维方法相比较,该算法能够发现非线性高维数据的本征维数,并且对噪声具有很好的鲁棒性．     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于深度双向分类器链的多标签新闻分类算法

在多标签新闻分类问题中,针对传统分类器链算法难以确定标签依赖顺序、集成模型运行效率低和无法应用复杂模型作为基分类器的问题,提出基于深度神经网络的双向分类器链算法. 该方法利用正向分类器链获取每个标签和前面所有标签的依赖关系,引入逆向分类器链,从正向链最后一个基分类器的输出开始反向学习每个标签和所有其他标签的相关性. 为了提取非线性标签相关性和提高预测性能,使用深度神经网络作为基分类器. 结合2条分类器链的均方误差,使用随机梯度下降算法对目标函数进行有效优化. 在多标签新闻分类数据集RCV1-v2上,将所提算法与当前主流的分类器链算法和其他多标签分类算法进行对比和分析. 实验结果表明,利用深度双向分类器链算法能够有效提升预测性能.     

一种新的基于半监督的多标记学习算法

多标记学习中通常存在大量未标记示例,本研究结合协同训练(Co-training)方法充分利用数据集中的未标记示例,在数据集上选取局部k NN(k nearest neighbor)和全局k NN进行训练得到两个分类器,分类器分别标记未标记示例并相互更新训练集。协同训练过程不断迭代进行,直至训练完成。试验结果表明,该方法性能均优于其他多标记学习算法。     

基于半监督boosting表面肌电信号多类模式识别

针对表面肌电信号较为复杂,且获取标注样本代价较大的问题,提出了基于半监督boosting学习的表面肌电信号多类模式识别方法。与目前半监督boosting算法着重解决两类分类问题,将多类问题转化为多个两类问题不同,本文方法通过联合分类置信度及样本间相似度确定每次迭代过程中未标注样本的预测类别,达到利用未标注样本提高多类问题正确识别率的目的,避免了将某一样本划分多类的问题。由实验分析可知,本文算法与现有半监督boosting算法相比,正确识别率更高,对于不同标注样本数及不同基分类器具有较好的鲁棒性。本文方法降低了人工标注代价,对多类问题具有良好的识别效果。     

基于小波近似分量非参数鉴别分析人脸识别算法

根据小波变换原理,采用dbl小波基函数,对人脸图像进行3级小波分解。将3层小波近似分量进行重组,得到新的样本向量集。由于非参数鉴别分析对非高斯分布样本集具有良好的适应性,提出了基于小波近似分量和非参数鉴别分析的人脸识别算法。在样本向量集上应用非参数鉴别分析,形成类内和类间矩阵,然后利用Fisher线性鉴别进行人脸识别。实验结果表明,在ORL和CAS-PEAL-R1人脸库上使用上述算法的识别率分别为95％和97．5％。     

Stability classification model of mine-lane surrounding rock based on distance discriminant analysis method

Based on the principle of Mahalanobis distance discriminant analysis （DDA） theory, a stability classification model for mine-lane surrounding rock was established, including six indexes of discriminant factors that reflect the engineering quality of surrounding rock： lane depth below surface, span of lane, ratio of directly top layer thickness to coal thickness, uniaxial comprehensive strength of surrounding rock, development degree coefficient of surrounding rock joint and range of broken surrounding rock zone. A DDA model was obtained through training 15 practical measuring samples. The re-substitution method was introduced to verify the stability of DDA model and the ratio of mis-discrimination is zero. The DDA model was used to discriminate 3 new samples and the results are identical with actual rock kind. Compared with the artificial neural network method and support vector mechanic method, the results show that this model has high prediction accuracy and can be used in practical engineering.