面向高光谱图像分类的空谱判别分析

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题,提出了一种面向高光谱分类的半监督空谱全局与局部判别分析(S3 GLDA)算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息,再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形,使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留,并在输出特征中自动融入了空间信息,构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明,总体分类精度分别达到76.24%和82.96%。与现有几种算法比较,该算法有效提高了输出特征在低维空间的判别能力,更好地揭示了数据集的内在非线性多模本质,有效提升了高光谱图像数据集的地物分类精度。     

基于半监督稀疏鉴别嵌入的高光谱遥感影像分类

为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。     

应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定。针对此问题,本文提出了相关近邻（CN）LLE（CN-LLE）和相关最近邻分类（CNN）算法。提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%,Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类。     

基于多核支持向量机的高光谱影像非线性混合像元分解

针对基于线性模型分解高光谱影像混合像元分解精度低,而非线性模型难以建立等问题,提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上,以线性加权组合核函数代替单核函数,采用简单多核学习方法迭代解算权系数来实现分类。然后,通过S型函数将分类器输出值转化为概率;将两两配对概率转换为多类后验概率。最后,利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验,结果表明:该方法的分类精度分别提高到95.62%和91.51%,均方根误差(RMSE)最小分别为11.15%和7.55%,均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响,提高了分类精度。     

K均值算法实现遥感图像的非监督分类

K均值算法在高光谱遥感影像的非监督分类中具有较强的实用性,表现出了良好的优点.首先采用了最大最小选心法确定初始类别中心,然后使用了K均值算法实现遥感影像的分类.在分类过程中采用了VC 2005作为开发平台,极大地提高了遥感影像的分类速度,同时还给出了实现K均值分类主要步骤的代码.最后在深入分析不同迭代次数下得到的不同分类图的基础上,研究了迭代次数值对最后分类结果的影响.     

基于核加权类对准则的高光谱影像特征提取

针对高光谱遥感影像中相似光谱的不同地物与野类同时存在时,提取有效的非线性可分性特征的问题,提出一种核加权类对准则.首先,推导出类对形式的核线性判别分析准则,即核类对准则,将核类间和类内散布矩阵均表示为类对形式.然后,提出核加权类对准则,依据核空间中各类对的可分性分别对各类对的核类间和类内散布矩阵进行加权,使得各类对的可...     

基于i-vector局部加权线性判别分析的说话人识别

基于i-vector的说话人识别系统通常采用LDA来消除训练和测试语音之间信道失配,不能保证样本在待识别语音近邻区域内具有最佳的分离度,这就使得目标说话人和其近邻间的得分差异较小,进而导致识别准确性下降。针对该问题,提出基于i-vector局部加权线性判别分析的说话人识别方法(LWLDA)。在计算类内和类间散度时,增加待识别语音近邻样本权重。在此基础上,通过提高待识别语音近邻域局部类间的分辨能力,尽可能减少因信道差异而产生的识别错误。在不同语音库上的实验结果表明:LWLDA在复杂信道环境下能够保持良好的鲁棒性;在交叉信道条件下的识别准确率比LDA平均提高3.6%。     

面向高光谱图像分类的半监督双流网络

为了提取高光谱图像中的深度鉴别特征,往往需要大量标记样本,但是高光谱图像样本标定困难,基于高光谱图像的“图谱合一”特性提出一种基于深度-流形学习的半监督双流网络。该网络用卷积网络和神经网络分别提取少量标记样本以及大量无标记样本中的空-谱联合特征,然后分别构建基于监督图和非监督图的流形重构图模型,以挖掘其中的本征流形结构。在此基础上设计了基于均方误差和流形学习的联合损失函数,以协同度量流形边界和空-谱概率残差,实现双流网络的一体化反馈和优化,进而实现地物分类。在WHU-Hi龙口和黑河高光谱数据集上实验的总体分类精度分别达到97.53%和96.79%,有效提升了地物分类能力。     

同质区共享端元变异性的高光谱混合像元分解

由于不同的照明条件、复杂的大气环境等因素,相同端元的光谱特征在图像的不同位置呈现出可见的差异,这种现象被称为端元的光谱变异性。在相当大的场景中,端元的变异性可能很大,但在适度的局部同质区内,变异性往往很小。扰动线性混合模型（Perturbed Linear Mixing Model,PLMM）在解混的过程中可以减轻端元变异性造成的不利影响,但是对缩放效应造成的变异性的处理能力较弱。为此,本文改进了扰动线性混合模型,引入了尺度因子以处理缩放效应造成的变异性,并结合超像素分割算法划分局部同质区,然后设计出基于局部同质区共享端元变异性的解混算法（Shared Endmember Variability in Unmixing,SEVU）。与扰动线性混合模型,扩展线性混合模型（Extended Linear Mixing Model,ELMM）等算法相比,所提SEVU算法在合成数据集上平均端元光谱角距离（mean Spectral Angle Distance, mSAD）和丰度均方根误差（abundance Root Mean Square Error, aRMSE）最优,分别为0.085 ...     

复杂机电系统核熵判别分析的异常分类方法

为了解决复杂机电系统的海量数据的复杂性和动态性,以及对故障类型快速而有效地进行分类,提出一种基于信息熵的核熵判别分析—KEDA方法。首先,引入了信息熵的观点以便排除信息冗余后剩余的平均信息量能够保证异常模式的有效分类。其次,利用核熵成分分析对数据进行非线性映射和降维,为此确定基于熵的参数选取方法计算和KEDA算法步骤。从而在降维后的空间进行分类。最后,结合TE过程数据集对算法效果进行验证。通过仿真实验得知,提出的KEDA方法的识别率85%以上,表明KEDA方法比其他方法的有效性和优越性,具有一定的应用价值。     

An approach for mechanical fault classification based on generalized discriminant analysis

To deal with pattern classification of complicated mechanical faults, an approach to multi-faults classification based on generalized discriminant analysis is presented. Compared with linear discriminant analysis (LDA), generalized discriminant analysis (GDA), one of nonlinear discriminant analysis methods, is more suitable for classifying the linear non-separable problem. The connection and difference between KPCA (Kernel Principal Component Analysis) and GDA is discussed. KPCA is good at detection of machine abnormality while GDA performs well in multi-faults classification based on the collection of historical faults symptoms. When the proposed method is applied to air compressor condition classification and gear fault classification, an excellent performance in complicated multi-faults classification is presented. __________ Translated from Journal of Vibration Engineering, 2005, 18(2) (in Chinese)     

用于分类的样本保局鉴别分析方法

针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题,结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法.该方法通过分别构造每个样本的类内近邻图和类外近邻图,并将所有样本的类内近邻图和类外近邻图结合起来,形成了所有样本的类内近邻和类外近邻关系.然后,在使所有样本的类内近邻尽可能地聚集在一起的同时使...     

高光谱遥感图像空谱联合分类方法研究

在遥感影像研究领域里,高光谱数据分类是一个热点问题。近年来,在这个问题上涌现出很多研究方法,然而,大多数方法都是用浅层的方法提取原始数据的特征。将深度学习的方法引入高光谱图像分类中,提出一种新的基于深信度网络(DBN)的特征提取方法和图像分类架构用于高光谱数据分析。将谱域-空域特征提取和分类器相结合提高分类精度。使用高光谱数据进行实验,结果表明该分类器优于当前的一些先进的分类方法。此外,本文还揭示了深度学习系统在高光谱图像分类研究中具有的巨大潜力。     

Ensemble semi-supervised Fisher discriminant analysis model for fault classification in industrial processes

In this paper, an ensemble form of the semi-supervised Fisher Discriminant Analysis (FDA) model is developed for fault classification in industrial processes. This method uses the K Nearest Neighbor (KNN) algorithm to merge the metric level outputs, which are obtained by the sub-classifiers in the ensemble model, to get the final classification result. An adaptive form is further proposed to improve the classification performance by putting forward to a new method of weight adjustment. While semi-supervised learning can generate a better model by exploiting additional information contained in unlabeled data, ensemble learning achieves the promotion of algorithm robustness by integrating a series of weak learners. In addition, the property of diversity in ensemble learning can be boosted by incorporating different unlabeled data to different weak learners. Therefore, the combination of those two methods can achieve great generalization for the fault classification model. The performances of two proposed methods are evaluated through an industrial benchmark process.     

基于鉴别稀疏保持嵌入的高光谱影像地物分类

在高光谱影像地物分类应用中时常因光谱波段数多而导致"维数灾难"问题,提出了一种鉴别稀疏保持嵌入的维数约简算法。该方法利用稀疏表示的自然鉴别力,分别构建了类内e_1图和类间e_1图;在低维嵌入空间中,保持同类数据的内在稀疏流形结构,同时分离开非同类数据,提取出鉴别特征。DSPE不仅继承了稀疏表示的优点,而且增加了非同类数据间的可分性。在PaviaU和Urban高光谱数据集上的地物分类实验结果表明,该方法的总体分类精度分别提高到87.53%和80.49%。提出的方法能自适应地揭示出数据间的内在关系,更有效地提取出鉴别特征,改善地物分类精度。     

遥感影像中直线和直线条带特征提取的新算法

就几何特征而言，直线和直线条带是描述道路的最理想符号。道路影像中的直线和直线条带多数具有较长的长度，同时由于干扰和噪声的存在，直线中往往包含有缝隙，直线条带则会包含孔洞以及附着有不规则块，已有的方法在提取这类不甚理想的基元时都有一些缺陷。本文提出了一种针对此情况的直线提取新思路，首先提取并细化边缘，然后依据结构特点得出直线基本段，最后反复地利用已获取部分预测并检测出后续点，同样的思路也可用于提取构成道路影像的直线条带。实验结果证明，算法具有优良的性能。     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

基于网络动力学分析和云模型的数据分类方法

为了降低数据的存储量和提高系统的处理能力,本文将网络聚类中的相位同步模型和云模型相结合,提出了一种新的数据源的分类方法.首先,将数据源看作一个复杂网络,获得其拓扑结构图,利用模糊层次分析法确定各节点数据源的云模型;然后,计算云模型的期望值、熵和超熵,获得综合耦合强度,将其作为边权;最后,利用相位同步模型对各节点相位进行迭代,获得其分布曲线,进而对各数据源进行分类.本文所提出的方法不仅为数据的存储、清理和压缩提供方便,而且提高了数据的分析效率.