导读:本文包含了局部线性嵌入论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:线性,局部,向量,算法,流形,蜂群,油膜。
局部线性嵌入论文文献综述
毕略,孙文心,熊伟丽[1]（2019）在《一种基于全局信息保持的局部线性嵌入算法及应用》一文中研究指出局部线性嵌入(LLE)作为一种经典的流形学习算法,能够得到高维空间的低维流形,但对近邻样本数选择敏感,缺乏全局结构保持能力.为解决此问题,提出了一种改进的LLE算法.在综合考虑样本间差异和数据全局代表性的基础上,通过引入离散度保持项和全局权重指标,提高了算法在降维重构过程中的信息挖掘能力,并降低了对噪声的敏感度,克服了传统LLE算法只关注局部流形特征而忽略全局结构的缺陷.数值仿真和小麦籽粒蛋白质含量软测量的应用仿真验证了该算法的有效性和优越性.(本文来源于《信息与控制》期刊2019年04期）
王程锦,王秀友,林玉娥[2]（2019）在《基于类内子空间学习的局部线性嵌入算法》一文中研究指出为了充分利用样本的类别信息,提取出更加有效的分类特征,提出一种基于类内子空间学习的局部线性嵌入算法。该算法首先获取类内离散矩阵的子空间,然后采用类内子空间构成类间离散矩阵;为了进一步增强算法的性能,使用了结合最大边界准则与局部线性嵌入算法的目标函数。最后在人脸数据库上的实验结果表明,同其他算法相比,ISL/LLE算法具有更好的识别性能。(本文来源于《阜阳师范学院学报(自然科学版)》期刊2019年02期）
姚明海,王旭[3]（2019）在《一种基于局部线性嵌入的SVM增量学习方法》一文中研究指出由于SVM对高维数据分类的耗时较长,计算复杂度较高,而PCA-SVM对高维数据分类的准确率相对较低,提出了利用LLE-ISVM方法对高维数据降维后采用SVM方法进行分类,利用LLE降维对新增样本进行约减后,淘汰新增样本中的非支持向量用于简化运算,实现了基于局部线性嵌入(LLE)的SVM增量学习过程(LLE-ISVM)。并将该算法用于MNIST数据库和瓷片表面缺陷检测分类过程。实验结果表明:该算法对高维数据的运算速度与精度都有所提高,能实现完整增量学习过程,较为准确快速地实现磁片表面的缺陷检测分类过程。(本文来源于《浙江工业大学学报》期刊2019年03期）
王海峰[4]（2019）在《基于改进局部线性嵌入与混沌蜂算法的瓦斯涌出量预测研究》一文中研究指出煤矿瓦斯事故是我国煤矿安全开采过程中最主要的威胁之一,所以对采煤工作面进行瓦斯涌出量的预测预警以及技术的创新有着非常重要的意义。各类因素共同影响着瓦斯气体的涌出,且它们具有一定的复杂性、非线性、特征相关性。为了获得比传统预测方法更好的预测效果,在分析国内外现有瓦斯涌出量预测的成果基础上,结合机器学习、智能算法,将局部线性嵌入理论(LLE)和人工蜂群(ABC)算法以及核极端学习机(KELM)运用到瓦斯涌出量的预测当中,提出改进的方法,建立新的预测模型。首先采用改进的局部线性嵌入算法对导致瓦斯涌出因素的特征属性进行约简,在保证特征数据完整性的情况下剔除冗余的信息,实现降维。将经过约简、归一化的样本分为训练集与测试集,用训练集对KELM模型进行训练。由于此过程中需对KELM模型的惩罚系数以及核参数进行寻优,因此本文提出引入局部混沌搜索(Chaos Searching)策略的方法改进ABC算法,并用该算法对KELM模型参数进行寻优,建立基于改进LLE算法与CSABC-KELM的煤矿瓦斯涌出量预测模型。利用测试集数据对该预测模型进行试验分析,并与原始数据未经过处理的CSABC-KELM、KELM、ABC-ELM、ELM、BP神经网络预测模型进行比较。结果表明:改进LLE算法与CSABC-KELM相结合的预测模型相比于其它传统预测模型,预测精度显着提高,误差减小、泛化能力增强,能有效地预测瓦斯涌出含量,可提高煤矿挖掘过程中的安全系数。(本文来源于《江西理工大学》期刊2019-05-01）
张冬妍,蒋大鹏,周宝龙,曹军,赵思琦[5]（2019）在《依据流形学习的局部线性嵌入对红松子品质近红外检测》一文中研究指出根据红松子品质检测方面技术缺失的现状,提出了运用近红外技术建立松子光-化学模型的解决办法;在对比流形学习有效保留高维数据的低维特征的优势和近红外传统降维方法主成分分析对非线性结构不敏感问题后,提出了具有能够捕捉高维空间中低维流形功能的局部线性嵌入-高斯过程(LLE-GP)方法,用于解决传统线性主成分分析(PCA)方法可能损失有用信息的缺陷;使用变量标准化(SNV)与Savitzky-Golay平滑方法进行预处理后,使用局部线性嵌入-高斯过程方法对数据进行分类建模。运用近红外光谱仪采集的松子数据,对这一算法进行验证,结果表明:局部线性嵌入-高斯过程分类模型,可以良好的使用在品质检测分类建模中。(本文来源于《东北林业大学学报》期刊2019年06期）
吴青,祁宗仙,臧博研,张昱[6]（2019）在《自适应局部稀疏线性嵌入降维算法》一文中研究指出针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。(本文来源于《西安邮电大学学报》期刊2019年02期）
徐启程,郭文普,张怡宵[7]（2019）在《基于局部线性嵌入优化的节点定位的研究》一文中研究指出接收信号强度指标可以低成本条件获取节点间距离的粗糙测量值。从噪声的RSSI测距值中获取节点的精确位置是必要的。为此,提出基于局部线性嵌入优化的定位算法(ILLE)。ILLE算法将锚节点周围的一跳邻居节点构成一个参考结构,然后迭代方式将此结构扩展,进而估计其他节点的位置。实验数据表明,与集中LLE算法相比,提出的ILLE算法的定位精度提高了约12.36%。(本文来源于《现代电子技术》期刊2019年08期）
周慧,陈澎[8]（2019）在《利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取》一文中研究指出溢油事故带来的海洋污染问题日益严重,SAR图像快速准确地自动识别为溢油事故的处理和决策支持提供了重要前提。为了获得更高的油膜识别准确率,提出了一种基于曲波变换(Curvelet)和局部线性嵌入(Local Linear Embedding,LLE)算法的SAR图像特征提取方法。首先,利用Curvelet对图像进行分解,选取包含了主要信息的低频分量作为新的图像矩阵;然后,利用LLE进行非线性降维,提取图像分类特征。为了验证提取特征的有效性,所提的Curvelet-LLE算法与PCA、LLE、等距特征映射(Isomap)、Curvelet变换和Fisher判别分析(Curvelet-KFD)、Wavelet-LLE等特征提取算法,利用K最近邻和支持向量机分类器分别进行了对比实验。实验结果表明,Curvelet-LLE算法能更有效地提取SAR图像油膜识别的分类鉴别特征,其准确率相对较高,具有较好的实用性。(本文来源于《电讯技术》期刊2019年01期）
田祥宏[9]（2019）在《一种结合局部线性嵌入与支持向量机的语音识别方法》一文中研究指出语音识别是模式识别领域的重要应用之一。本文提出一种结合局部线性嵌入SLLE(supervised Locally Linear Embedding)与支持向量机support vector machine (SVM)的新型语音识别方法SVM-SLLE算法。SVM-SLLE参考了带监督的局部线性嵌入降维算法SLLE的优点,采用改进的非线性监督距离公式,运用一个常数参数因子α来控制不同类的数据点的距离;通过支持向量机的方式计算最优的局部重构的权重向量w*,使得SVM-SLLE具有最优的归纳学习能力。使用标准的自然语音情感特征数据作为样本数据进行实验,测试结果表明, SVM-SLLE算法降维分类效果明显,语音正确识别率高于常见的SLLE,LLE等方法。(本文来源于《电视技术》期刊2019年02期）
任世锦,李新玉,徐桂云,潘剑寒,杨茂云[10]（2018）在《半监督稀疏鉴别核局部线性嵌入的非线性过程故障检测》一文中研究指出复杂过程往往受到运行状态复杂、工作条件恶劣等因素影响,过程数据具有很强的非线性、随机性和流形结构.近年来,核局部线性嵌入(kernel locally linear embedding,KLLE)已经成功应用于复杂过程故障检测.然而KLLE是一种无监督流形学习算法,能够保持样本的局部几何信息,忽视了总体数据样本集全局/非局部鉴别信息.针对上述问题,本文提出一种新的半监督稀疏鉴别核局部线性嵌入(semi-supervised sparse discriminantKLLE,SSDKLLE)算法并用于非线性工业过程故障检测.本文主要贡献如下:(1)把半监督学习与Fisher鉴别分析(fisher discriminant analysis,FDA)引入到KLLE,有效地利用了总体数据集几何鉴别信息,提高了算法对不同类别数据的分离性;(2)基于稀疏表示通过重构优化方法对信号自适应稀疏表达的优点,利用稀疏表示自适应选择最近邻样本以及数目,提高算法鲁棒性和局部保持性能;(3)引入局部邻域处理以及核技巧策略降低过程工况数据变化对监测算法的影响,提高非线性多工况过程监测方法的性能.基于UCI数据和TE平台的仿真实验结果验证了所提算法的有效性.(本文来源于《南京师大学报(自然科学版)》期刊2018年04期）
局部线性嵌入论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了充分利用样本的类别信息,提取出更加有效的分类特征,提出一种基于类内子空间学习的局部线性嵌入算法。该算法首先获取类内离散矩阵的子空间,然后采用类内子空间构成类间离散矩阵;为了进一步增强算法的性能,使用了结合最大边界准则与局部线性嵌入算法的目标函数。最后在人脸数据库上的实验结果表明,同其他算法相比,ISL/LLE算法具有更好的识别性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
局部线性嵌入论文参考文献
[1].毕略,孙文心,熊伟丽.一种基于全局信息保持的局部线性嵌入算法及应用[J].信息与控制.2019
[2].王程锦,王秀友,林玉娥.基于类内子空间学习的局部线性嵌入算法[J].阜阳师范学院学报(自然科学版).2019
[3].姚明海,王旭.一种基于局部线性嵌入的SVM增量学习方法[J].浙江工业大学学报.2019
[4].王海峰.基于改进局部线性嵌入与混沌蜂算法的瓦斯涌出量预测研究[D].江西理工大学.2019
[5].张冬妍,蒋大鹏,周宝龙,曹军,赵思琦.依据流形学习的局部线性嵌入对红松子品质近红外检测[J].东北林业大学学报.2019
[6].吴青,祁宗仙,臧博研,张昱.自适应局部稀疏线性嵌入降维算法[J].西安邮电大学学报.2019
[7].徐启程,郭文普,张怡宵.基于局部线性嵌入优化的节点定位的研究[J].现代电子技术.2019
[8].周慧,陈澎.利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取[J].电讯技术.2019
[9].田祥宏.一种结合局部线性嵌入与支持向量机的语音识别方法[J].电视技术.2019
[10].任世锦,李新玉,徐桂云,潘剑寒,杨茂云.半监督稀疏鉴别核局部线性嵌入的非线性过程故障检测[J].南京师大学报(自然科学版).2018
论文知识图
