基于混合特征LLE融合与SVM的质量异常模式识别

针对生产过程中存在的异常模式识别的问题,提出基于LLE融合与支持向量机的质量异常模式识别方法。首先从动态数据流中提取其原始特征、统计特征、几何特征并将其进行混合,形成动态数据流的混合特征,然后利用LLE算法对混合特征进行降维,将降维后的特征集作为MSVM分类器的输入进行训练,同时采用粒子群算法对MSVM分类器进行参数寻优。最后用训练好的模型对动态数据流进行异常模式的识别。并将所提方法与单一类型特征方法、混合特征方法的识别模型进行比较,仿真结果和应用实例表明,所提方法的识别精度较高,可用于生产过程的质量异常模式识别中。     

Nonlinear characteristics and functional analysis of masseter electromyography

The C-C method was adopted to analyze the nonlinear characteristics of masseter electromyography (EMG) signals and the chaotic degree by the largest Lyapunov exponent (LLE) of different genders and sides.First,the embedding dimension and the delay time were obtained through this method,then the phase space was reconstructed to resume the chaotic attractor and determine the LLE.The result shows that the trajectory of attractor is denser than Chen's attractor,and the LLE is positive,which means that not only ...     

结合Haar与Gabor特征的Adaboost人脸识别改进算法

在模式识别的众多领域中,针对于人脸识别的研究与应用逐渐成为重点和难点。尽管近些年众多学者不断钻研并改进人脸识别的算法,但是在复杂光照条件下和不同肤色的人脸识别中仍然存在着重重的不足。尤其是由于现阶段数据的计算速度和存储条件仍然不能很好地去适应优秀的算法对其的要求,因此如何改进算法,提高人脸识别的精度是本文主要研究的问题。本文结合Haar与Gabor特征提出了Adaboost人脸识别算法的改进方法,提高了人脸识别的速度和精度。     

基于局部线性嵌入和支持向量机回归的TBM施工参数预测

依托吉林引松工程开展隧道掘进机（TBM）施工参数预测研究,提出TBM施工数据分段提取算法,提取上升段前30 s的总推进力、刀盘转速、推进速度、刀盘扭矩、刀盘转速电位器设定值、推进速度电位器设定值、贯入度、贯入度指数(FPI)、扭矩切深指数(TPI)9个参数作为输入;通过局部线性嵌入（LLE）完成对上升段数据特征的降维;基于支持向量机回归（SVR）建立TBM施工控制参数（推进速度、刀盘转速）和负载参数（总推进力、刀盘扭矩）预测模型. 分析是否结合前一掘进循环的FPI、TPI指数进行预测对预测效果的影响. 结果表明,上述方法在推进速度、刀盘转速、总推进力、刀盘扭矩的预测中均取得了较好的预测效果,平均预测绝对百分比误差均小于15%,验证了该预测方法的有效性,该方法可以为TBM现场施工提供指导.     

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.     

基于LLE和BP神经网络的人脸识别

利用LLE非线性降维方法提取人脸特征,然后将提取出来的特征输入到BP神经网络进行训练得到人脸类间的判别信息,进行人脸识别。利用LLE降维方法既能够降低数据维数,减少运算量,又很好的保留了各类人脸样本的拓扑结构,避免人脸图像光照、姿态等因素对人脸识别的影响。在ORL人脸库上的实验结果表明了,这种方法是有效的。     

肿瘤基因选择方法LLE Score

针对处理肿瘤基因表达数据特征选择问题,提出了一种特征选择方法 LLE Score.该方法是典型的过滤器类型特征选择方法,在样本类别信息的基础上,LLE Score针对特征向量的局部邻域保存能力进行评价,并且根据评价结果进行特征的选取,以此达到良好的特征选择效果.在实验部分对肿瘤数据集进行特征选择,并采用支持向量机分类器计算分类准确率.通过分类准确率说明了该方法的有效性.     

基于流形的概念空间形式化研究

概念是人们对事物本质的认识、逻辑思维的最基本单元和形式,是人类思维的基础,是反映事物本质属性的思维产物。Grdenfors教授于2000年发表的著作中提出的,简单来说Grdenfors教授建立的概念空间是基于域以及其上的几何特性的属性来建立和计算概念、属性、相似性的模型。基于流形的LLE算法的主要思想是在嵌套空间每个采样点可以用它的近邻点线性表示,在低维空间中保持每个邻域中的权值不变,重构原数据点,使重构误差最小。它可以学习任意维数的低维流形,每个点的近邻权值在平移,旋转,伸缩变换下是保持不变的。该文文通过把概念空间中的各个域当成一个流形,把各域中的维看成是流形的n维数据,实验中先后通过没有使用流形和通过基于流形的LLE算法进行降维后的进行比较,得出的实验结果是使用流形的方法对于某些不能细分的域能起到很好的作用,体现了该算法对于概念空间研究的准确性和优越性。     

基于局部线性嵌入的数字水印

提出了一种基于局部线性嵌入(LLE)的水印算法,它对仿射变换具有鲁棒性。该算法通过LLE内在的稳健性改善了鲁棒性。随机产生的水印被嵌入到局部线性嵌入的重建权的系数中。在提取水印时,水印几乎可以用像嵌入时一样的过程来提取。实验结果表明,该水印方案对仿射变换的鲁棒性较好。     

流行学习算法应用于基因芯片数据分析

基因芯片是近年发展起来的生物技术,其数据典型特征是基因数多而样本少,因此必须及时采取有效方法来处理这些以指数级增长的数据.流行学习算法在高维数据方面有着广泛应用,但在基因芯片数据分析的应用还比较少.为了能得到在基因芯片数据分析中更好的处理方法,文章应用三种非线性降维提取海量基因芯片数据的特征,然后利用支持向量机作为分类器,判断样本的类属.实验结果表明,通过LLE特征提取之后,能获得与原基因芯片更为接近的成分,类属判断结果更为准确,为基因芯片数据分析提供了一定的科学指导.