自适应近邻的局部线性嵌入算法

在局部线性嵌入算法(LLE)中寻找最优近邻数常用试凑法进行搜索,需要大量的时间才能得到最优结果.为此提出基于自适应近邻的局部线性嵌入算法( ANLLE),算法首先给出一个相似性度量函数,然后据此为各个样本设定阈值,根据每个样本周围数据分布情况,为每个样本自动设置不同近邻数,最后在各个样本近邻数不相同情况下进行数据降维及待测样本的分类.在人脸数据库及手写数字数据库上的对比实验表明,ANLLE算法识别性能高于标准LLE算法及邻域线性嵌入算法(NLE).     

基于近邻消息传递的自适应局部线性嵌入

针对局部线性嵌入(LLE)降维算法中邻域参数的人工设定及其全局性的缺陷,研究了聚类和降维的内在联系,提出了邻域参数的自适应选取策略,构建了一种聚类和降维的自适应局部线性嵌入(ALLE)算法,为每个样本点设计最佳的近邻搜索空间,自适应选取邻近点计算权值重建矩阵,基于类信息重新定义了重构误差函数。实验表明,新算法更能体现出数学上流形概念的局部坐标化本质,对不相关数据、冗余数据和噪声数据具有良好的鲁棒性,在实际识别问题中体现出优越的性能。     

基于局部线性降维拓扑空间的主轴故障诊断方法

机床主轴故障的形成是一个长时间历程渐进性发展的过程,为了实现主轴系统的故障预警和智能维护,需要准确提取主轴早期故障的特征。主轴的早期故障信号特征微弱难以获取,为解决早期故障原始信号特征不具备良好可分性的困难,提出基于局部线性降维拓扑空间理论的主轴故障特征提取方法。该方法首先采集主轴系统的振动信号,然后对信号进行小波降噪处理并进行信号重构;用获取的重构信号构造轴心轨迹的高维流形拓扑空间,使用局部线性降维算法获得主轴系统的故障敏感特征。经过实验验证,该方法能准确地提取故障敏感特征,为判断主轴故障提供了依据。     

应用监督局部线性嵌入算法的科技项目质量评价

针对科技项目管理指标的数据维度高且相互影响而呈现出的复杂非线性关系为准确评价和科学管理带来挑战的现状,同时考虑到传统数据降维算法大多对非线性数据映射效果较差,采用监督局部线性嵌入算法,通过数据样本类别信息修改距离公式进行特征维数计算以获得科技项目的真实低维数据。实验结果表明:与传统算法相比,该算法预处理的样本在分类方面具有较高的准确率。     

基于小波域数据块局部线性嵌入的数字水印

传统的数字水印对压缩攻击具有较好的鲁棒性,但对几何攻击仅仅在一定程度上具有稳定性,本文针对传统方法的不足提出了基于小波域数据块线性嵌入的数字水印。利用局部线性嵌入算法具有平移、旋转和缩放不变性,将水印信息序列嵌入到图像小波域数据块线性嵌入的重构系数中,而不将水印序列嵌入在图像像素值或变换系数中。因此本算法对裁剪攻击具有较强的鲁棒性,同时水印嵌入位置和嵌入强度均由原始图像信息分布决定。实验结果表明,本算法不增加嵌入水印序列信息量,降低了对原始图像的要求,提高旋转、平移、缩放和裁剪攻击的鲁棒性。     

一种稀疏度自适应超宽带信道估计算法

针对在超宽带信道估计中应用压缩感知理论需要预知信道稀疏度的问题,利用超宽带信道在时域上的稀疏性,将信道估计问题转化为压缩感知理论中的稀疏向量重构问题,提出了稀疏度自适应正则化压缩采样匹配追踪（SARCoSaMP）算法。该算法在压缩采样匹配追踪（CoSaMP）算法的基础上,引入自适应和正则化方法,自动调整所选原子数目,逐步逼近信道稀疏度K,在稀疏度未知的情况下精确地实现信道估计。仿真结果表明,该算法可有效应用于超宽带系统的信道估计,并且其性能明显优于CoSaMP算法和稀疏自适应匹配追踪（SAMP）算法。     

基于压缩采样匹配追踪的稀疏度和稀疏信道联合估计

原始的压缩采样匹配追踪算法依赖于已知稀疏度,因此本文研究了一种稀疏度和稀疏信道联合估计算法。首先提出了一种新的稀疏向量的替代,能够在有限长度的训练序列下,达到较好的稀疏度和信道估计效果。然后通过对稀疏信道估计中的噪声分量的分析,提出了一种稀疏度估计算法,结合信道估计最终给出了一种稀疏度和稀疏信道联合估计算法。仿真结果表明：新的稀疏向量的替代在稀疏度和信道估计方面都有明显的优势,并且提出的稀疏度和稀疏信道联合估计算法在性能上好于mCoSaMP算法。     

基于稀疏分解的局部全局一致性学习算法

提出一种基于稀疏分解的l0构图法,通过稀疏分解系数矩阵得到图中邻接矩阵和边的权重。将l0构图法应用到局部全局一致性学习(Learning with Local and Global Consistency,LLGC)算法中,并通过K-均值聚类优化稀疏分解所需字典,以降低计算复杂度。在8个UCI数据集上的实验表明,与经典LLGC算法相比,新算法能在消耗时间不增加的情况下提高分类精度,提升算法性能。     

基于可变k近邻LLE数据降维的图像检索方法

在基于内容的图像检索中,其计算复杂度随着描述图像内容的特征向量的维数的增加而急剧增加,而应用局部嵌入算法(LLE)进行数据降维时,需要确定近邻点k的个数。根据图像特征在原空间的分布情况,提出了一种可变k近邻LLE的数据降维方法,使得降维后的特征向量有效地保持了其在高维空间中的拓扑结构。实验结果表明,提出的可变k近邻LLE数据降维方法在基于内容的图像检索中有较高的检索准确率。     

基于支持向量机的局域线性嵌入算法在图像检索中的应用

SVM算法复杂度与样本维数无关,具有的泛化能力强、分类精度高的特点,而LLE是有效的非线性降维方法,本文利用支持向量机（SVM）算法对局域线性嵌入（LLE）算法进行改进,有效地解决了基于内容的图像检索中的高维特征向量的降维问题,实验表明具有较高的查全率和查准率。     

Locally linear discriminant embedding with nonparametric method

局部线性判别嵌入（locally linear discriminant embedding,LLDE）将局部线性嵌入（locally linear embedding,LLE）和最大间隔（maximum margin criterion,MMC）进行融合,有效地提高了LLE算法的识别力。但其保留的是数据的全局判别信息,且依赖数据的分布。针对LLDE的不足,本研究将LLE和加权非参数最大间隔（weighted non-parametric maximum margin criterion,WNMMC）进行融合,提出了一种新的有监督的降维方法——非参数判别性局部线性嵌入（nonparametric locally linear discriminant embedding,NLLDE）。NLLDE保留了数据更为有效的局部判别信息,因此更具判别力。NLLDE采用了非参数数据表示,使得模型及求解不依赖于数据的分布,克服了LLDE针对高斯分布数据有效的局限,其应用范围更为广泛。Yale和PIE人脸数据库上的实验结果证实了NLLDE的高效性。     

基于自适应阈值的提升小波去噪方法

鉴于传统的去噪算法中的阈值很难选取到最优值,设计了自适应的阈值选取器,结合最小均方算法和小渡阈值去噪算法,提出了一种基于LMS算法的小波去噪方法.该方法根据LMS算法来自适应地控制阈值参数,并实现提升小波阈值去噪.仿真结果表明,该方法优于传统去噪方法,可较大程度地减少信号中的噪声,提高输出信号的信噪比,能很好地提取有用信号的特征.     

一种稳健的非刚性医学影像配准方法

提出了一种基于局部线性嵌入(LLE)和改进的L-BFGS优化算法的非刚性配准新方法．该方法首先计算影像不同方向上的定序特征,用于补充传统互信息测度中缺失的空间结构信息;然后,运用LLE方法及其逆映射对高维定序特征进行降维和融合;进而结合影像灰度信息构造了一种基于混合熵的配准测度,有效保证了配准测度函数的光滑性和收敛性;最后,采用改进的L-BFGS优化方法搜索最优配准参数．多组仿真数据的测试结果表明,在噪声情况下,所提方法具有精度高、鲁棒性强的特点,优于现有几种方法．     

基于小波变换域的数字图像嵌入和提取方法

针对数字图像水印的嵌入和提取问题,提出了一种基于小波变换域的数字图像水印的嵌入和提取算法.该算法结合了离散小波变换、Arnold置乱变换和奇异值分解.通过Arnold置乱变换对数字水印图像进行变换,对原始图像进行二次离散小波变换,之后分别对置乱后的水印图像和原始图像小波变换中的低频部分进行奇异值分解,对两者的奇异值矩阵进行加性操作实现水印的嵌入过程.结果表明:该算法能够准确实现水印的嵌入和提取功能;嵌入的水印具有良好的隐身性,人眼不能感觉出水印嵌入带来的变化;算法具有较强的鲁棒性,经过椒盐噪声、高斯噪声、JPEG压缩、高斯平滑和裁剪操作等污染及攻击后,都能较好地恢复水印信息.     

一种线性插补与自适应滑动窗口价格预测模型

因为基于Web数据挖掘的商品价格预测的准确率都不高,所以为了提高价格预测的准确率,提出了一种基于线性插补与自适应滑动窗口的商品价格预测方法,给出了将线性数据插补方法与自适应滑动窗口结合的商品价格预测模型,并将该商品价格预测模型应用于手机与黄金价格的预测。实验结果表明,该预测模型获得了99％以上的预测准确率,提高了网页商品价格数据抽取的抗噪性能,解决了现有销售商只有历史销售价格数据没有基于多个销售商的预测价格问题,可以为商品的市场预测与分析提供依据。