基于正交迭代的增量LLE算法

 LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.     

气相色谱-质谱法同时测定茶叶中72种农药残留量

建立茶叶中有机氯农药、拟除虫菊酯农药、有机磷农药等72种农药及其异构体多残留的气相色谱-质谱(GC-MS)分析方法。样品加水润湿后,乙腈均质提取,5g/100mL氯化钠溶液与提取液经液液萃取后,再用Carbon/NH2小柱净化,25mL乙酸乙酯-丙酮(1:1)淋洗。优化色谱条件,采用选择离子监测(SIM)模式进行质谱检测。分别在样品中添加标准农药样品0.1、1.0mg/kg水平上进行添加回收率实验,方法的回收率范围为65.3%～142.3%,相对标准偏差为3.0%～20.6%(n=6)。以信噪比RSN=3计算各农药的最低检出限为0.01～0.08mg/kg范围。该方法结果准确、重现性好,满足茶叶中多种农药残留检测要求。     

基于流形学习与特征融合的汉语方言辨识

提出了一种基于流形学习的特征提取方法,将流形学习有效地应用于汉语方言辨识。针对语音语谱特征空间维数较高的问题,利用局部线性嵌入（LLE）方法降维并与MFCC特征进行融合,融合结果作为新特征用于汉语方言辨识。仿真实验表明,LLE算法能够获取汉语方言的本征规律,融合后的特征能够有效地提高汉语方言辨识的正确识别率。     

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。     

应用GC-O分析比较兼香型和浓香型白酒中的香气化合物

采用液-液萃取法（liquid-liquid extraction,LLE）提取兼香型白酒和浓香型白酒中的香气化合物,采用闻香分析（GC-O）和GC-MS分离鉴定。兼香型白酒中共鉴定出90种香气化合物,香气贡献较大的化合物是己酸乙酯、4-乙烯基愈疮木酚、己酸、3-甲基丁醇、3-甲基丁酸乙酯、4-乙基愈疮木酚、香草醛、乙酸-2-苯乙酯和丁酸。对比研究浓香型白酒主要香气化合物后认为,酯类是兼香型白酒一类重要的香气化合物,芳香族化合物、酚类化合物以及杂环化合物对兼香型白酒整体香气贡献比浓香型白酒大。     

基于LLE的分类算法及其在被动毫米波目标识别中的应用

该文针对模式识别中的单类分类问题,根据LLE算法思想,考虑数据分布的低维流形,提出了一种单类分类算法。基于流形学习算法发现了被动毫米波信号的短时傅里叶谱中低维流形的存在,并讨论了其特性。将新算法应用于被动毫米波金属目标识别,相对目前流行的分类算法,取得了更好的效果,且算法对输入参数不敏感,在数据混叠程度较高时仍有很好的鲁棒性。     

基于分维LLE和Fisher判别的故障诊断方法

针对非线性系统故障诊断难以解决的问题,通过改进的局部线性嵌入映射算法解决了非线性数据的特征映射问题。首先,通过线性拟合改进了基于分形维估计的内在维数的估计。然后,将故障状态与空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展结合起来,大大减少了计算量,提高了算法的实时性。然后,利用Fisher判别分析进行故障匹配,通过计算最优的投影向量与历史故障数据投影向量的相似度的计算,完成故障识别,从而为复杂非线性系统故障诊断提供了一种新的有效的方法。     

基于局部平滑性的通用增量流形学习算法

目前大多数流形学习算法无法获取高维输入空间到低维嵌入空间的映射,无法处理新增数据,因此无增量学习能力。而已有的增量流形学习算法大多是通过扩展某一特定的流形学习算法使其具备增量学习能力,不具有通用性。针对这一问题,提出了一种通用的增量流形学习(GIML)算法。该方法充分考虑流形的局部平滑性这一本质特征,利用局部主成分分析法来提取数据集的局部平滑结构,并寻找包含新增样本点的局部平滑结构到对应训练数据的低维嵌入坐标的最佳变换。最后GIML算法利用该变换计算新增样本点的低维嵌入坐标。在人工数据集和实际图像数据集上进行了系统而广泛的比较实验,实验结果表明GIML算法是一种高效通用的增量流形学习方法,且相比当前主要的增量算法,能更精确地获取增量数据的低维嵌入坐标。     

基于局部线性嵌入和Haar小波的人脸识别方法

为了抑制局部线性嵌入算法对噪音的敏感性,结合Haar小波变换,提出了一种人脸识别的新方法。利用Haar小波变换将原始图像数据分解为高频分量和低频分量,忽略水平高频与垂直高频分量,并将低频分量按行堆叠的方式引入其原始图像数据中。通过LLE对该图像数据进行降维,求得训练和测试样本各自对应的矩阵。依据最近邻准则完成人脸识别。基于ORL与Sheffield人脸数据库的实验结果表明了该方法对改善传统LLE算法识别率的有效性。     

基于KLLE和KNR的雷达目标一维像识别

局部线性嵌入(LLE)是一种有代表性的流形学习算法,利用核技术将LLE进行推广,得到核局部线性嵌入算法,并将其应用于雷达目标一维距离像的特征提取。然后采用一种基于核的非线性分类器,对所提取的特征进行分类。对3种飞机的实测数据进行识别实验,结果表明,该方法具有较优的识别性能。