LLE重构和SVD分解的地震信号降噪方法

针对现有地震信号降噪方法处理地震剖面的弯曲同相轴效果不佳,提出联合局部线性嵌入（LLE）和奇异值分解（SVD）方法的地震信号降噪技术。利用LLE的重构思想,对地震数据采样点用其近邻进行重构,实现非线性模式的弯曲同相轴的线性化处理,并去除一定程度的随机噪声;根据地震资料有效信号具有良好相关性的特性,采用SVD分解对LLE重构后的地震数据进行有效信号和噪声分离,剔除不相干的噪声,最终实现地震数据的随机噪声压制。在正演模型和真实地震资料上进行了实验,实验结果表明：与传统SVD方法相比,提出的方法很好地消除了随机噪声,有效信号基本上无丢失。     

LLE方法的分类与研究

对于低维数据的分类很常见, 但是对于高维数据的分类却不多, 主要是因为维度太高. 尤其对于分布不均匀的样本集, 传统的局部线性嵌入算法易受到近邻点个数的影响, 为了克服这一问题, 提出改进距离的局部线性嵌入算法. 通过实验表明, 改进距离的局部线性嵌入算法能使原来的样本集尽可能的分布均匀, 从而降低近邻点个数的取值对局部线性嵌入的影响, 在保证分类准确的前提下, 达到了有效缩短时间的目的.     

基于模糊聚类的改进LLE算法

局部线性嵌入法（Locally Linear Embedding,LLE）是一种基于流形学习的非线性降维方法。针对LLE近邻点个数选取、样本点分布以及计算速度的问题,提出基于模糊聚类的改进LLE算法。算法根据聚类中心含有大量的信息这一特点,基于模糊聚类原理,采用改进的样本点距离计算方法,定义了近似重构系数,提高了LLE计算速度,改进了模糊近邻点个数的选取。实验结果表明,改进的算法有效地降低了近邻点个数对算法的影响,具有更好的降维效果和更高的计算速度。      

基于聚类和改进距离的LLE方法在数据降维中的应用

局部线性嵌入算法(locally linear embedding, LLE)是解决降维的方法,针对LLE计算速度和近邻点个数K的选取,研究了该方法的扩展,提出了基于聚类和改进距离的LLE方法.基于聚类LLE方法大大缩减了计算LLE方法的时间;改进距离的LLE方法在近邻点个数取值比较小时的情况下,可得到良好的效果,而原始的LLE方法要达到相同的效果,近邻点个数K的取值通常要大很多.同时,改进距离的LLE方法可以模糊近邻点个数选取.实验结果表明,基于聚类和改进距离相结合的LLE方法相比原来的LLE方法大大提高了降维速度和扩大了参数K的选取.     

SVD与小波变换相结合抑制面波与随机噪声

为了从含强面波干扰和随机噪声的地震记录中提取有效信号,将每条面波同相轴旋转为水平后,用奇异值分解（SVD）方法恢复出来,再从原始地震记录中消除面波,最后用小波变换方法滤除部分随机噪声。根据同相轴走向与SVD第一奇异值、第二奇异值之间的关系,提出了一种新的判别最佳面波同相轴走向的依据,并用于处理合成地震记录,有效地去除了面波。     

基于LLE方法的本征维数估计

基于局部线性嵌入(LLE)方法所确定的数据集的拓扑结构和高维数据空间的距离特性,提出了自逼近度和可分离度的概念,然后利用二者构建了一种新的本征维数估计方法.这种估计方法揭示了LLE降维过程中涉及的数据维数与邻域大小的选取之间的内在关联.最后,通过与主成分分析(PCA)进行实例对比,说明这种方法更加合理,更能反映数据集的本征特性.     

融合LLE与LDA特征的人脸识别方法

为更好提取识别的人脸特征,文章将非线性流形学习方法LLE提取的局部非线性特征与监督学习方法LDA提取的全局线性特征相结合,利用特征融合的思想,得出有利特征,进行人脸识别。经实验证明,该方法能显著提高人脸识别系统的性能。     

基于LLE和KRR的人体动作重构算法研究

人体动作重构是当前图像处理的热点问题, 针对其问题的特点, 提出一种全新的LLE与KRR相结合的人体动作重构方法。首先针对图像的颜色和深度信息, 提取人体动作骨架, 建立动作训练集; 再将训练集转变为动作向量库, 采用LLE算法计算人体动作的低维流形, 并对流形数据作相关分析; 最后, 将预测的低维衔接动作点逆映射回高维欧氏空间, 首次应用KRR算法解决传统降维不可逆映射问题, 从而使动作重构得以实现。实验结果表明：通过对流形动作点相互映射得到的重构动作较为理想, 针对不同自由度的动作过程, 所提出的人体动作重构方法有很好的效果。     

基于局部奇异值对称平均的人脸识别方法

提出了一种基于局部奇异值对称平均的人脸识别方法。该方法首先对原始图像进行线性映射处理;接着采用局部奇异值分解提取人脸特征,并对所获得的特征作对称平均处理;最后依据最近邻决策规则进行识别。基于ORL人脸数据库的实验结果表明,该方法大大降低了原始特征空间的维数,有效地消除了图像亮度和噪声的影响,并取得了较高且稳定的正确识别率,在人脸识别中是一种有效的方法。     

基于局部超平面的流形奇异值点去除算法

局部线性嵌入算法通常用于高维流形数据降维,具有结构简单、不易陷入局部极小值、能保持局部几何结构不变的特点,但它对噪声和干扰奇异值点非常敏感。为此,提出基于局部超平面的流形奇异值点去除算法,将样本点的邻域投影到超平面空间,使干扰奇异值点投影远离流形样本点投影,而流形样本点投影则表现为聚集特征,同时找出邻域中所有远离聚集中心的样本点作为干扰奇异值点。仿真实验结果验证了该算法的正确性和有效性。     

基于自适应近邻参数的局部线性嵌入

局部线性嵌入算法是一种有效的非线性降维方法。文中提出一种自适应的局部线性嵌入方法。该方法通过分析数据集中任意样本所在局部区域的线性重构误差,确定该局部区域的近似线性块,然后根据位于此局部线性块上的样本来选择局部线性嵌入的近邻参数。实验结果表明,在不同的数据集上,采用多个评价标准,自适应的局部线性嵌入方法相比普通的局部线性嵌入方法,取得更好的结果。     

基于核局部线性嵌入算法的图像去噪方法

利用局部线性嵌入算法进行图像去噪时,如果局部近邻样本呈现非线性关系,图像去噪效果会受到影响。针对该问题,提出基于核局部线性嵌入算法的图像去噪方法。通过非线性核函数将样本映射到高维线性空间,在高维空间运用局部线性嵌入算法进行图像去噪。实验结果表明,该方法能有效地对高维非线性图像进行去噪,性能优于中值滤波算法和局部线性嵌入算法。     

基于局部线性嵌入的最大散度矩阵算法

提出一种基于局部线性嵌入的最大散度矩阵算法——FSLLE。引入线性映射解决局部线性嵌入算法的样本外学习问题,通过自适应动态地确定局部线性空间邻域参数,最大化地融合样本数据的类别信息和局部结构信息矩阵,以获取髙维数据的最佳分类低维子空间。在JAFFE人脸表情库对该算法进行测试,结果表明,FSLLE算法能根据流形结构动态地确定局部邻域的大小,具有较好的表情识别率。     

Guided Locally Linear Embedding

Nonlinear dimensionality reduction is the problem of retrieving a low-dimensional representation of a manifold that is embedded in a high-dimensional observation space. Locally Linear Embedding (LLE), a prominent dimensionality reduction technique is an unsupervised algorithm; as such, it is not possible to guide it toward modes of variability that may be of particular interest. This paper proposes a supervised variation of LLE. Similar to LLE, it retrieves a low-dimensional global coordinate system that faithfully represents the embedded manifold. Unlike LLE, however, it produces an embedding in which predefined modes of variation are preserved. This can improve several supervised learning tasks including pattern recognition, regression, and data visualization.     

一种在源数据稀疏情况下的数据降维算法

流形学习方法是根据流形的定义提出的一种非线性数据降维方法,主要思想是发现嵌入在高维数据空间的低维光滑流形。从分析基于流形学习理论的局部线性嵌入算法入手,针对传统的局部线性嵌入算法在源数据稀疏时会失效的缺点,提出了基于局部线性逼近思想的流形学习算法,并在S-曲线上采样测试取得良好降维效果。     

基于局部线性投影的三维旋转人脸识别

本文在基于三维形态学模型的人脸识别研究中,运用局部线性投影算法(ProjectiveLLE,PLLE)取代了普遍使用的经典降维方法PCA,在高维空间中减小了降维过程中的线性失真。有效提高了所构建的三维形态学模型的质量,经实验证明该算法对于提高拟合的精度和大角度旋转人脸的识别率都取得了比较理想的效果。     

局部线性嵌入算法中参数的选取*

局部线性嵌入(LLE)算法是有效的非线性降维方法,时间复杂度低并具有强的流形表达能力.与其他降维方法相比,局部线性嵌入算法的优势在于只定义唯一的参数,即邻域数.因此算法的性能主要依靠此邻域参数的选取,这就产生问题:怎样选取邻域参数的最佳值.通过对两种自动选取最佳参数值的方法,即简单方法和分层方法进行试验比较与分析,归纳出在实践中确定邻域参数的启发式策略.     

一种改进的局部线性嵌套算法

局部线性嵌套(LLE)算法对近邻个数较敏感,无法处理稀疏数据源。针对该问题提出一种基于改进距离和联合优化的LLE算法。将Conformal-IsoMap中度量数据间距离的方法引入到LLE,并对原算法的2个优化过程进行联合优化。在SwissRoll曲线采样数据和MINST手写数字字符数据库上的实验结果验证了该算法的有效性。     

基于近邻非负线性组合的高分辨率图像重建

针对现有基于局部线性嵌入的高分辨率图像重建算法对噪声敏感、图像块间边界不连续等问题,提出一种近邻非负线性重建高分辨率图像的流形学习算法。将流形学习重建过程中的近邻线性组合系数约束为非负,并采用基于像素块比例值的特征提取方法。实验结果表明,该算法能重建更多的细节,降低块效应,提高重建图像的峰值信噪比。