局部结构保持的鉴别分析方法

局部投影保持LPP(Locality Preserving Projections)是一种局部特征提取算法,它能够有效地保留数据集的局部结构。不相关保局投影鉴别UDLPP(Uncorrelated Discriminant Locality Preserving Projections)在LPP的基础上考虑了类别信息,通过保留类内几何结构并最大化类间距离获得了良好的鉴别性能。结合UDLPP的思想,在UDLPP的基础上提出了一种局部结构保持的鉴别分析方法PCLSP(Pattern Classification based on Local Structure Preserving)。该方法结合了数据集的类别信息以及数据集的局部结构信息,通过最小化类内近邻分离度以及最大化类间近邻分离度来提高鉴别性能,从而进一步反映了数据的局部结构,提高了识别率。通过在ORL(Olivetti-Oracle Research Lab)和YALE两个标准人脸库上实验验证了该算法的有效性。     

有监督的局部保留投影降维算法

针对局部保留投影(LPP)的非监督本质,提出一种称为有监督的局部保留算法(SLPP)的线性降维方法,它同时考虑类间分离性以及LPP中的局部保留特性.实验结果表明SLPP算法较其他算法优越.线性的SLPP算法还可通过使用核方法扩展到非线性的情况.     

超光谱遥感图像有监督LPP特征提取研究

在局部保留投影(LPP)特征提取算法的基础上,利用样本标签信息提出了一种有监督的局部保留投影算法(SPLPP),该算法的邻接图的权值不仅考虑了LPP算法中的相似性权值,而且加入了监督类的相关权值。SPLPP算法主要步骤是先用PCA去除高维超光谱遥感图像的冗余信息,再把监督机制引入到LPP中,实现图像的特征提取,将高维超光谱遥感图像投影到低维空间中,利于分类。应用SPLPP算法对高维的遥感原始超光谱图像进行特征提取后,利用支持向量机(SVM)和最近邻分类器(KNN)对降维后的遥感图像数据进行分类;并与PCA、LPP、LDA等特征提取算法进行了比较实验。实验表明:结合了LPP局部信息保留能力和全域标签信息的SPLPP算法,有更好的局部信息保留能力和类判别能力,使分类器分类精度更高,分类效果更好。     

保持全局和局部特性的黎曼流形改进算法

黎曼流形学习(RML)是一种全局算法,但其不能较好地保持数据局部邻域的几何性质。为解决这个问题,提出一种基于黎曼流形学习（RML）的多结构算法。先对数据集进行主成分分析（PCA）投影,再构造邻域图,然后把整个数据集分为两个部分求低维嵌入坐标,对于基准点的k近邻,采用能保持其和近邻点局部性质的权值矩阵得到低维嵌入;对于其他点仍采用RML算法,使其达到既能维持数据点的全局结构,又能最大限度地保持其局部几何性质的目的。实验结果验证了该算法的有效性和实时性。     

2DPCA+2DLDA和改进的LPP相结合的人脸识别算法

针对局部保持投影（LPP）算法无监督且只保留局部信息的特性,提出一种2DPCA+2DLDA和改进的LPP相结合的人脸识别算法。将训练集样本用2DPCA+2DLDA算法进行投影,保留数据整体空间信息和分类信息;引入类内、类间信息对LPP算法的关系矩阵进行优化,使LPP成为有监督的非线性学习方法,采用改进的LPP（ILPP）算法对训练集图像进行二次投影,提取样本的局部流形信息,并作为人脸识别信息进行鉴别。在Yale和ORL人脸库的测试结果验证了该方法的有效性。     

一种基于局部保形映射(LPP)的相关反馈方法

目前图像检索通常采用高效的图像降维算法和适当的相关反馈技术来提高检索的效率。局部保形映射(LPP)算法是保留图像本质特征的一种有效的线性降维算法。本文在LPP算法的基础上引入相关反馈技术,进一步提高了检索准确度。利用LPP算法得到降维子空间,在子空间上得出查询数据的k-近邻构成候选数据集,并与查询数据集构建一个权图G,通过弗洛伊德算法求得图G中任意两个数据点之间的测地线距离并排序进而得出反馈结果。实验表明,该算法提高了检索的准确度,并使检索结果得到一定的优化。     

基于判别正则化的局部保留投影

局部保留投影（Locality preserving projections,LPP）是一种常用的线性化流形学习方法,其通过线性嵌入来保留基于图所描述的流形数据本质结构特征,因此LPP对图的依赖性强,且在嵌入过程中缺少对图描述的进一步分析和挖掘。当图对数据本质结构特征描述不恰当时,LPP在嵌入过程中不易实现流形数据本质结构的有效提取。为了解决这个问题,本文在给定流形数据图描述的条件下,通过引入局部相似度阈值进行局部判别分析,并据此建立判别正则化局部保留投影（简称DRLPP）。该方法能够在现有图描述的条件下,有效突出不同流形结构在线性嵌入空间中的可分性。在人造合成数据集和实际标准数据集上对DRLPP以及相关算法进行对比实验,实验结果证明了DRLPP的有效性。     

2DFLD与LPP相结合的人脸和表情识别方法

提出一种二维Fisher线性判别分析(2DFLD)与局部保持投影(LPP)相结合的人脸和表情识别方法.首先,将训练集图像用2DFLD投影,使其按身份分离.然后,用LPP进行二次投影提取出它的表情流形.最后,给出概率度量,得到待测图像属于各类身份和表情的概率,从而识别出它的人脸和表情的类别.在CMU-AMP和JAFFE人脸库上的实验表明,该方法简便有效、识别效果好.     

基于局部保持投影–加权k近邻规则的 多模态间歇过程故障检测策略

针对多模态间歇过程故障检测问题,本文提出一种基于局部保持投影–加权k近邻规则(LPP--Wk NN)的故障检测策略.首先,应用局部保持投影(LPP)方法将原始数据投影到低维主元子空间;接下来,在主元子空间中,应用样本第k近邻的局部近邻集确定每个样本的权重并计算权重统计量Dw;最后,应用核密度估计方法确定Dw控制限并进行故障检测.本文方法应用LPP对过程数据进行维数约减,既能够降低训练过程中离群点对模型的影响,又能够降低在线故障检测的计算复杂度.同时,加权k近邻规则(Wk NN)方法通过引入权重规则能够使得过程故障检测统计量分布具有单模态结构.相比传统的k NN统计量,本文引入的权重统计量具有更高的故障检测性能.通过数值例子和半导体蚀刻过程的仿真实验,并与主元分析(PCA), k NN, Wk NN, LPP--k NN等方法进行比较,实验结果验证了本文方法的有效性.     

无参数局部保持投影及人脸识别

局部保持投影(LPP)通过构造近邻图来保持样本的局部结构,在构图过程中,LPP面临复杂的参数选择问题.为解决此问题,提出无参数局部保持投影(PLPP)算法.首先设计一种无参数的构图方法,能够动态地获取样本的近邻点并配置相应的边权.其次,利用该构图方法,PLPP通过寻求最佳投影矩阵,用于保持样本在低维空间的局部结构.由于PLPP在构图过程中并未设置任何参数且采用余弦距离设置边权,因此PLPP计算更加方便快捷且对离群样本更具鲁棒性.另外,为进一步提升PLPP的识别性能,在PLPP的基础上通过加入样本的类别信息,提出监督的无参数局部保持投影算法(SPLPP).最后,在ORL、FERET及AR人脸库上的实验验证了PLPP与SPLPP的有效性.     

基于局部不变映射的特征描述器算法

提出了一种新的基于局部不变映射(Locality preserving projections, LPP)的描述器设计算法. 该算法用LPP预先生成一个特征矩阵, 接着把特征点邻域内所有点的梯度组成一个高维的梯度向量, 然后通过特征矩阵把该梯度向量嵌入到一个低维的流形空间中, 生成一个维数很低的向量, 并把它作为该特征点的描述器. 所提出的算法能保持描述器之间的几何结构不变: 原空间中邻接的描述器映射到低维空间后保持邻接, 而不相似的描述器映射后区分度更大, 所以该算法所生成的描述器能表现特征点之间的内在关系, 具有很强的鲁棒性. 通过与SIFT (Scale invariant feature transform), PCA-SIFT的实验比较, 此算法更快速, 更具鲁棒性.     

一种基于局部保持的隐变量模型

隐变量模型是一类有效的降维方法,但是由非线性核映射建立的隐变量模型不能保持数据空间的局部结构。为了克服这个缺点,文中提出一种保持数据局部结构的隐变量模型。该算法充分利用局部保持映射的保局性质,将局部保持映射的目标函数作为低维空间中数据的先验信息,对高斯过程隐变量中的低维数据进行约束,建立局部保持的隐变量。实验结果表明,相比原有的高斯过程隐变量,文中算法较好地保持数据局部结构的效果。     

Face recognition using Elasticfaces

Though principle component analysis (PCA) and locality preserving projections (LPPs) are two of the most popular linear methods for face recognition, PCA can only see the Euclidean structure of the training set and LPP preserves the nonlinear submanifold structure hidden in the training set. In this paper, we propose the elastic preserving projections (EPPs) which by incorporating the merits of the local geometry and the global information of the training set. EPP outputs a sample subspace which simultaneously preserves the local geometrical structure and exploits the global information of the training set. Different from some other linear dimensionality reduction methods, EPP can be deemed as learning both the coordinates and the affinities between sample points. Furthermore, the effectiveness of our proposed algorithm is analyzed theoretically and confirmed by some experiments on several well-known face databases. The obtained results indicate that EPP significantly outperforms its other rival algorithms.     

中心近邻嵌入学习算法的人脸识别研究

针对人脸识别问题,提出了一种中心近邻嵌入的学习算法,其与经典的局部线性嵌入和保局映射不同,它是一种有监督的线性降维方法。该方法首先通过计算各类样本中心,并引入中心近邻距离代替两样本点之间的直接距离作为权系数函数的输入;然后再保持中心近邻的几何结构不变的情况下把高维数据嵌入到低维坐标系中。通过中心近邻嵌入学习算法与其他3种人脸识别方法(即主成分分析、线形判别分析及保局映射)在ORL、Yale及UMIST人脸库上进行的比较实验结果表明,它在高维数据低维可视化和人脸识别效果等方面均较其他3种方法取得了更好的效果。     

Nonlinear Dimensionality Reduction by Topologically Constrained Isometric Embedding

Many manifold learning procedures try to embed a given feature data into a flat space of low dimensionality while preserving as much as possible the metric in the natural feature space. The embedding process usually relies on distances between neighboring features, mainly since distances between features that are far apart from each other often provide an unreliable estimation of the true distance on the feature manifold due to its non-convexity. Distortions resulting from using long geodesics indiscriminately lead to a known limitation of the Isomap algorithm when used to map non-convex manifolds. Presented is a framework for nonlinear dimensionality reduction that uses both local and global distances in order to learn the intrinsic geometry of flat manifolds with boundaries. The resulting algorithm filters out potentially problematic distances between distant feature points based on the properties of the geodesics connecting those points and their relative distance to the boundary of the feature manifold, thus avoiding an inherent limitation of the Isomap algorithm. Since the proposed algorithm matches non-local structures, it is robust to strong noise. We show experimental results demonstrating the advantages of the proposed approach over conventional dimensionality reduction techniques, both global and local in nature.     

基于压缩传感的邻域嵌入

基于谱流形学习算法的一个核心问题是局部邻域的构建,可通过KNN或ε准则构建局部邻域。受压缩传感理论的启发,提出一种基于l₂和l₁范数重构准则的邻域构建模式,称之为基于压缩传感的邻域嵌入(CSNE)。在此基础上,利用无标签数据,提出半监督的CSNE。在多个数据集上的可视化和半监督分类实验,证明该算法的有效性。     

基于局部保持投影和主元分析的语音情感识别

为了提高情感识别的准确性,该文以语音信号为研究对象,提出了一种新型的语音情感识别方法.将局部保持投影算法（LPP）的思想融入到主元分析（PCA）的目标函数中,使得在原始变量空间投影到低维空间的过程中,不仅实现了整体方差的最大化,而且保持了局部近邻结构不变,有利于全局和局部特征的全面提取,克服了传统PCA方法只关注全局结构特征而忽略局部特征的缺陷.对比实验结果验证了该方法的可行性和有效性,实现了对喜悦、愤怒、悲伤、恐惧和中性5种人类基本情感的识别,研究成果将为情感识别提供新的研究方法,促进人机交互系统进一步深入发展.     

基于LPP的工业过程故障检测

针对传统的降维算法在降维过程中存在着丢失数据的局部邻域信息的问题,一种基于局部保持投影(LPP)用于工业工程数据检测的方法被应用。LPP算法的思想是通过构造数据样本点之间的亲疏关系,并且在投影降维的同时保留数据样本点的这种局部邻域结构,从而保留数据的局部信息。论文将LPP算法与传统的降维算法-主元分析法(P CA)在田纳西-伊斯曼过程(T EP)仿真系统上进行检测对比,结果表明,LPP算法具有更加优越的检测性能。     

基于QR分解的扩展监督局部保留映射

针对局部保留映射(LPP)算法不能提供数据集的差异信息问题,提出一种基于QR分解的扩展有监督LPP算法。该方法对训练数据矩阵进行QR分解,采用有监督的LPP算法进行降维,利用类别信息对降维后的数据进行Fisher线性判别式分析,得到最终的映射矩阵以提高判别性能。实验结果表明,该方法较主成分分析法和LPP方法有更好的判别性能。