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。     

半监督多图嵌入的高光谱影像特征提取

针对传统图嵌入方法仅采用单一图结构无法有效表征高维数据中复杂本征结构,本文提出了一种半监督多图嵌入(SSMGE)方法,并应用于高光谱影像特征提取。该方法首先利用标记样本的类内、类间近邻点来构建类内超图、类间超图、类内普通图、类间普通图,然后通过无标记样本的近邻点和远离点构建无监督本征超图和惩罚超图,并以多图协同方式来表征高维数据间的复杂几何关系,实现鉴别特征提取。本文提出的SSMGE方法不仅能有效揭示数据点间超图和普通图的结构,而且在低维嵌入空间中增强同类数据聚集性和非同类数据的远离性,提取的鉴别特征可改善地物分类精度。在PaviaU和Urban高光谱数据集上进行了分类实验,本文方法的总体分类精度分别可达到85.92%和79.74%。相比普通图嵌入和超图方法,该算法明显提升了地物的分类性能。     

空-谱协同流形重构的高光谱影像分类

鉴于传统高光谱影像分类大都采用监督学习方法,且仅利用了光谱信息,未考虑影像空间特征和流形结构。提出一种基于空-谱协同流形重构误差的高光谱影像分类方法,该算法基于高光谱影像中地物分布的空间一致性,利用少量标记的样本和大量的无标记空间近邻样本来进行半监督学习,并利用测试样本在每一子流形上的重构误差来表征相似性,实现鉴别分类。在Indian Pines和University of Pavia数据集上的实验结果表明,本文方法的分类精度在各种条件下要优于其他分类算法,其最高总体精度分别达到了95.67%和91.92%。该算法将高光谱遥感影像中的空间-光谱信息融入不同地物的子流形结构表征,在训练样本数量较少时仍能得到好的分类效果,有效提升了分类性能。     

面向高光谱影像分类的深度流形重构置信网络

鉴于传统深度学习方法只提取了高光谱图像中的深度抽象信息,而未能充分揭示样本之间的局部几何结构关系,限制了分类性能的提升,本文提出了一种新的特征提取网络——深度流形重构置信网络。该网络首先通过深度置信网络提取深度抽象特征,为进一步增强抽象特征的鉴别能力,在图嵌入框架下通过样本数据的邻域点和各邻域的同类近邻重构点来构建类内图和类间图,并在低维空间中分离类间近邻点与其重构点的同时压缩类内近邻点和相应的重构点,实现提取深度鉴别特征,以改善不同类数据的可分性,进而提升地物分类精度。在KSC和MUUFL Gulfport高光谱数据集上的实验结果表明,本文算法的总体分类精度分别达到了94.71%和86.38%。相比较其他算法,本文算法有效提升了地物分类能力,更有利于实际应用。     

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。     

基于有监督的核局部线性嵌入的面部表情识别

流形学习方法可以有效的发现存在于高维图像空间的低维子流形并进行维数约简,近年来越来越受到生物特征识别和认知科学领域的研究者的重视。但是流形学习是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简。针对这两个问题,本文提出一种新的有监督的核局部线性嵌入算法(supervised kernel local linear embedding,SKLLE),并将算法应用于面部表情识别。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息进行有效的结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入于高维人脸图像空间的低维表情子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高面部表情识别的性能。     

半监督流形学习及其在遥感影像分类中的应用

为了有效利用已标记与未标记样本提高遥感影像分类精度,提出了一种新的半监督流形学习方法-半监督流形鉴别嵌入法(SSMDE).该方法利用标记样本的类别信息构建类内图和类间图来表征样本数据的类别联系,并计算相应的权重矩阵;利用标记和未标记数据构建全局散度矩阵来表征数据的整体结构.在此基础上,通过优化目标函数得到投影矩阵,在保...     

采用独立分支网络的多源遥感数据自适应融合地物分类

针对现有基于深度学习的地物分类方法大多面向遥感影像,而对点云数据的空间信息利用不足,特别是对点云和影像这种异源特征融合不够充分的问题,提出了一种采用独立分支网络结构的多源遥感数据自适应融合地物分类方法。首先,对配准好的LiDAR点云和遥感影像分别采用三维网络和二维网络提取各模态的空间几何特征和语义特征;其次,在点云空间对影像特征进行交叉模态采样和特征对齐得到基于点的多源特征;最后,采用一种基于注意力机制的非线性自适应特征融合方法实现二、三维语义特征的融合。实验结果表明,本文方法通过网络训练能够实现自适应数据特征的多源遥感数据融合分类,针对ISPRS多源遥感数据集的植被、建筑物和地面三类地物平均分类精度达到85.87%,相较三维点云语义分割的分类精度提高了10.12%。本文提出的独立分支融合网络能够实现二、三维数据的交互学习与深度融合,为遥感多源数据地物分类提供了一种新的思路。     

一种基于SLLE的手写体数字识别算法

流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数并进行维数简约。本文基于流形学习技术的研究,针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,提出了一种基于流形学习的手写体数字识别方法。并在原有流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时,也进一步分离了不同类别的流形。算法首先利用基于监督的局部线性嵌入（SLLE）对手写体数字图像进行字符特征的降维,然后再对降维后的特征进行分类识别。通过对MINST库中手写体数字数据库上的实验结果表明,利用SLLE降维以后的特征能够有效地区分字符,具有较好的识别率,能够发现高维空间的低维嵌入流形,识别率达到93.27％,为手写体数字识别的研究提供了一条有效的新途径。     

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。     

一种面向旋转机械的基于 Transformer 特征提取的域自适应故障诊断

针对基于深度学习的旋转机械故障诊断方法在新工作条件下缺乏标注数据、跨域诊断精度较低的问题,提出了一种基 于 Transformer 的域自适应故障诊断方法。 采用 Transformer 的变体 VOLO 构造特征提取器以获取细粒度更佳的故障特征表示。 利用源域数据进行监督学习对源域和目标域数据的特征提取器进行预训练,并且冻结源域提取器参数以获取固定的源域特征。 利用域对抗自适应策略和局部最大平均差异结合目标域未标注数据训练目标域特征提取器,实现源域特征与目标域特征的边 缘分布、条件分布对齐。 通过两个多工况实验对所提出的故障诊断算法进行了验证,结果表明提出的基于 Transformer 特征提 取的域自适应故障诊断方法相比 5 种传统域自适应方法,在齿轮和轴承数据集上分别平均提升了 22. 15% 和 11. 67% 的诊断精 度,证明所提出方法对于跨域诊断精度具有提升作用。     

Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis

Traditional artificial methods and intelligence-based methods of classifying and diagnosing various mechanical faults with high accuracy by extracting effective features from vibration data, such as support vector machines and back propagation neural networks, have been widely investigated. However, the problems of extracting features automatically without significantly increasing the demand for machinery expertise and maximizing accuracy without overcomplicating machine structure have to date remained unsolved. Therefore, a novel hierarchical learning rate adaptive deep convolution neural network based on an improved algorithm was proposed in this study, and its use to diagnose bearing faults and determine their severity was investigated. To test the effectiveness of the proposed method, an experiment was conducted with bearing-fault data samples obtained from a test rig. The method achieved a satisfactory performance in terms of both fault-pattern recognition and fault-size evaluation. In addition, comparison revealed that the improved algorithm is well suited to the fault-diagnosis model, and that the proposed method is superior to other existing methods.     

加权Schatten范数低秩表示的高光谱图像恢复

高光谱图像在获取过程中常受到多种类型噪声的干扰,如高斯噪声、脉冲噪声、条纹噪声等,为确保后续应用的顺利进行,提出了一种基于加权Schatten范数低秩表示的高光谱图像恢复方法。该方法引入低秩表示模型恢复高光谱数据,采用加权Schatten范数代替核函数,更精确地逼近秩函数;并选用初步无噪图像作为低秩表示的字典,进一步提高了模型对图像的恢复能力。另外,引入拉普拉斯正则项刻画数据内部的几何结构,能保持图像的细节。模拟和实际高光谱数据的实验结果表明,较多种相关的方法在视觉效果和量化指标值都有很大的改进。与经典的基于低秩先验的恢复方法相比,本文算法的平均峰值信噪比提高2.74 dB,平均结构相似性数值指标提高0.03,而平均光谱角能降低1.40。新模型不仅能充分利用高光谱图像光谱维的低秩先验,而且保持了数据内部的几何结构,有利于恢复出高质量的清晰图像。     

基于生成对抗网络和自动编码器的机械系统异常检测

现有的机械系统智能诊断模型需要不同健康状态下大量的历史数据和相对应的标签来完成模型训练,但有些机械系统难以采集到异常样本。在无异常样本训练情况下,本文提出一种新的机械系统异常检测方法。新方法结合生成对抗网络和自动编码器,构建了一种编码-解码-再编码的网络模型。所提模型首先通过早期采集的正常样本进行训练,然后用于对未知状态的实时监测样本进行测试,输出两次编码得到的潜在特征的差异值,最后通过观察差异值的变化对系统进行监测。3组实验分析结果验证了方法的有效性。与传统方法相比,新方法检测出异常的时间更早,所得差异值指标在异常发生时幅度增加得更大,且能更稳定表征故障演化过程。     

基于时空局部学习的集成自适应软测量方法

集成软测量方法已被广泛应用于流程工业关键质量参数实时估计。但是,常规集成建模方法在基模型构建过程中往往局限于挖掘样本之间的空间关系,忽略了样本间的时序关系,从而导致过程局部状态挖掘不充分、基模型间多样性不足等问题。其次,传统软测量方法由于缺乏自适应机制而无法有效处理过程时变特征,从而导致模型性能发生退化。为此,提出一种基于时空局部学习(STLL)的集成自适应软测量方法。该方法首先通过移动窗口、即时学习技术分别挖掘样本间的时序关系和空间关系,并采用统计假设检验实现冗余状态剔除,进而构建多样性的时空局部高斯混合回归(GMR)模型。然后,基于在线选择性集成策略实现局部预测结果的自适应融合。此外,引入双重自适应机制以缓解模型性能退化问题。实验结果显示,相较于非自适应全局GMR模型、时间局部学习集成GMR模型、空间局部学习集成GMR模型,所提方法在金霉素发酵过程中的预测精度分别提升了70.3%,14.9%,27.8%;在脱丁烷塔过程中,分别提升了31.9%,21.2%,19.3%。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。     

加权空谱局部保持投影的高光谱图像特征提取

为了提高高光谱图像的分类精度,有效利用高光谱图像的空间信息和光谱信息对高光谱图像进行预处理,本文提出了一种新的空谱联合特征提取方法,加权空-谱局部保持投影算法(WSSLPP)。该算法结合高光谱图像的物理特性对高光谱图像进行重构,降低了图像中奇异点的干扰;然后对局部像素近邻保持嵌入(LPNPE)和局部保持投影(LPP)的目标函数进行加权求和,有效融合高光谱图像空间维和光谱维的信息来构建投影矩阵。WSSLPP不仅保留了高光谱图像在空间维上像素间的近邻关系,而且保持了在光谱维上样本的固有结构,有利于高光谱图像的分类。在Indian Pines和PaviU数据库上对该算法进行验证分析,结果表明:基于WSSLPP算法得到的分类精度明显高于其他算法,总体分类精度的最大值分别为99.00%,99.50%,有效提高了高光谱图像的分类精度。