导读:本文包含了局部线性嵌入方法论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机,局部线性嵌入,缺陷检测
局部线性嵌入方法论文文献综述
姚明海,王旭[1]（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）
田祥宏[2]（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）
李芳,高翔[3]（2018）在《局部线性嵌入和深度自编码网络的降维方法的比较》一文中研究指出作为非线性降维的有效算法,局部线性嵌入(Locally linear embedding)(LLE)和深度自编码网络,被广泛应用于数据挖掘、故障诊断、模式识别等多种领域。本文采用定性与定量相结合的方法,对两种算法进行了对比研究。对LLE算法的基本原理进行了简单介绍。描述了深度自编码网络的理论与模型。提供了数值实验分析,在可视化,人脸识别以及文本检索方面,对两种降维方法进行比较,得到各自适用的优缺点。(本文来源于《中国海洋大学学报(自然科学版)》期刊2018年S2期）
赵海峰,葛园园,王政[4]（2018）在《基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究》一文中研究指出针对阿尔茨海默病(AD)早期阶段分类这一研究难题,传统的线性特征提取算法很难从其高维特征中挖掘出鉴别能力较强的信息来有效地表示样本特征。因此,本文采用监督局部线性嵌入(SLLE)特征提取算法,对412例受试者的大脑皮质厚度(CTH)和脑感兴趣区域体积(VOI)特征进行提取,减少其冗余特征以提高识别精度。受试者来源于阿尔茨海默病神经影像学(ADNI)数据集,包含93例稳定型轻度认知障碍(s MCI)、96例遗忘型轻度认知障碍(a MCI)、86例AD患者和137例认知正常对照老年人(CN)样本。本文采用的SLLE算法是通过添加距离修正项来计算每个样本点的近邻点,并用近邻点线性表示样本,得到局部重建权值矩阵,进而求出高维数据的低维映射。为验证该算法在分类识别中的有效性,本文将主成分分析(PCA)、近邻最小最大投影(NMMP)、局部线性映射(LLE)及SLLE等特征提取算法分别与支持向量机(SVM)分类器组合,对CN与s MCI、CN与a MCI、CN与AD、s MCI与a MCI、s MCI与AD和a MCI与AD六组实验数据进行分类识别。结果显示,以VOI为特征,利用SLLE和SVM的复合算法对s MCI和a MCI的分类准确度、灵敏度、特异性分别为65.16%、63.33%、67.62%,基于LLE和SVM的复合算法分类结果分别为64.08%、66.14%、62.77%,而基于传统SVM则分别为57.25%、56.28%、58.08%。经比较,发现SLLE和SVM组合算法的识别精度较LLE和SVM的组合算法提高了1.08%,较SVM提高了7.91%。因此,利用SLLE和SVM这一复合算法进行分类识别更有利于AD的早期诊断。(本文来源于《生物医学工程学杂志》期刊2018年04期）
徐宝鼎,丁香乾,秦玉华,侯瑞春,张磊[5]（2019）在《基于网格划分局部线性嵌入算法的近红外光谱相似性度量方法》一文中研究指出近红外光谱数据的高维、高冗余、高噪声和非线性的特性严重影响了光谱相似性度量的准确性,针对该问题,提出了一种基于网格划分局部线性嵌入(GGLLE)算法的近红外光谱相似性度量方法。首先,根据关键化学成分在光谱中的表达,将高维光谱数据划分为多个网格子空间。其次,对局部线性嵌入(LLE)算法做了两方面改进,并采用改进的LLE算法依次实现每个子空间从高维空间向低维空间的特征映射,计算生成子空间的相似度矩阵。最后,将子空间相似度矩阵归一化处理并求解所累加和生成光谱样本集的相似度矩阵,实现光谱的相似性度量。实验选取两组某烟草企业提供的烟叶光谱构建了光谱的相似性度量模型,以相似性度量的准确率作为算法优劣的衡量标准。实验结果表明,GGLLE算法构建的相似性度量模型的准确率为93.3%,明显优于主成分分析、栈式自编码器和LLE算法的64.2%、67.5%和82.5%,从而证明了GGLLE算法的有效性。(本文来源于《激光与光电子学进展》期刊2019年03期）
王瑞璇[6]（2018）在《基于局部线性嵌入和指数判别分析的故障诊断方法研究》一文中研究指出工业过程具有规模性大、复杂性高、变量多、关联性强等特点,如何从数据出发准确、快速地发现故障并处理,保证过程高效运行意义重大。而且工业过程数据具有高维、非线性的特点,因此提取数据特征对于故障诊断非常重要。另外,一个准确、可靠的故障诊断系统对于工业过程的正常运行具有重要作用。基于此,本文以局部线性嵌入(LLE)和指数判别分析(EDA)为基础,提出了几种改进的故障诊断方法,并通过TE仿真平台及青霉素发酵过程仿真平台进行了验证。首先,提出一种改进的针对间歇过程的故障识别方法——核指数判别分析方法(KEDA),利用基于差异度的性能指标进行故障诊断。KEDA方法结合了核方法和EDA方法的优点,在处理非线性、小样本问题上展现了很强的能力,并且在分类性能上有明显的改善。在故障识别的实际应用中,首先根据历史数据建立已知类别的正常模型和故障模型。然后,将在线测量数据输入到这些模型中,以识别当前的操作状态,即系统处于正常状态还是故障状态。若为故障状态,该方法可判断何种故障发生或是否出现了新故障。其次,结合LLE和EDA方法,提出两种改进的指数判别分析方法:局部线性指数判别分析(LLEDA)和邻近保持嵌入判别分析(NPEDA)。这两种方法都将全局判别分析与局部几何结构相结合。其中,LLEDA是一种并行策略,旨在寻找一个平衡局部几何结构和全局数据分类之间的投影矢量。NPEDA是一种级联策略,其降维过程分为保持局部结构与判别分析两步进行。这两种方法在进行全局判别分析的伺时,强调了数据的内在结构,仿真表明,相比于传统的指数判别分析方法(EDA),其具有更好的识别能力。最后,针对复杂的工业过程,提出了一种多方法结合的混合型过程监控与故障诊断方法,集数据分析、模型库建立、故障及时诊断及可视化等算法为一体。首先通过常规PCA方法对历史数据进行初筛,区分出正常和故障信息,然后利用聚类方法对故障数据集进行分类,再利用局部线性指数判别分析方法(LLEDA)建立故障模型库,最后进行故障诊断。本文将基于监督学习的LLEDA方法拓展到无监督学习,便于复杂工业大量无标签数据的处理。利用典型的田纳西伊士曼过程对所提出的方法进行验证,结果证明了该方法的有效性。(本文来源于《北京化工大学》期刊2018-06-01）
葛园园[7]（2018）在《基于监督局部线性嵌入的阿尔茨海默病早期诊断方法研究》一文中研究指出阿尔茨海默病(AD)早期诊断是目前仍未解决的难题之一。由于医学成像核磁共振技术(MRI)采集的高维数据包含大量的冗余特征和噪声,介于正常人(CN)和AD患者的两个早期阶段sMCI和aMCI难以区分。因此,许多研究者提出应用机器学习中的降维算法来减少冗余信息,提取更具有判别性的特征,以提高分类精度。然而传统的线性降维方法往往会因为忽略AD早期阶段特征不符合简单的线性变换这一问题,导致在高维空间中难以发现数据之间的内在联系,从而使得这些方法在AD早期分类方面的改善不是很显着。针对此问题,本文以ADNI数据集为基础,提出将流形学习中的监督局部线性嵌入算法(SLLE)及其改进算法应用于AD早期诊断研究中,这些算法不仅有效地提取数据中的非线性结构特征;而且还充分利用了标签信息,较好地改善了AD早期分类的效果。本文主要工作如下:1.针对传统线性特征提取方法忽略AD早期阶段数据呈非线性分布,及非线性特征提取中局部线性嵌入方法(LLE)未充分利用标签信息的缺陷,本文提出采用SLLE方法对AD进行早期诊断。SLLE方法不仅能较好地挖掘数据的潜在拓扑结构,同时还充分利用了样本标签信息来优化损失函数,达到类间离散的降维效果,从而提高早期AD分类精度。2.针对LLE仅适用于分布稠密均匀的数据和易受近邻点数目影响的局限性,我们提出了一种改进距离的局部线性嵌入算法(MLLE)。该算法通过样本点间的测地距离计算近邻点,利用样本点同其近邻点间距离平均值的倒数来调节样本距离,使其整体分布趋于均匀。相比于LLE算法,该算法减小了近邻点个数的影响程度。同时结合监督学习的思想,本文将监督均化距离的局部线性嵌入方法(SMLLE)应用于AD早期诊断。3.针对仅依据MRI这一单模态数据对AD进行早期诊断,所出现的算法识别率提高有限的问题,本文提出将基于MRI提取的感兴趣区域体积(VOI)、脑皮层厚度(CTH)特征与脑脊液这一生物标记物特征(CSF)相融合,来提高AD早期阶段的二分类的识别率。鉴于临床上对一位医患者进行疾病不同阶段的诊断是一个多分类问题,本文考虑将LLE、SLLE、MLLE和SMLLE与多分类器支持向量机(SVM)结合,验证本文方法的有效性。(本文来源于《安徽大学》期刊2018-05-01）
于巍峰,刘永阔,武茂浦,温志斌,周文[8]（2017）在《基于局部线性嵌入和K-最近邻分类器的核动力装置故障诊断方法研究》一文中研究指出针对核动力装置运行数据具有强非线性、高维数的特点,本文提出了一种基于流形学习的核动力装置运行故障诊断新方法。流形学习方法能有效地提取高维非线性数据中嵌入的低维流形特征,该方法运用局部线性嵌入算法直接对原始运行数据进行无监督学习,将数据进行非线性维数约简,从而得到数据的内在低维流形特征,并且保留了数据的几何结构信息。与传统的PCA线性方法相比,该方法特征提取能力更强,能有效地将不同种类的故障数据进行特征聚类,然后将提取到的低维特征向量输入K-最近邻分类器进行故障模式识别。为了验证该方法用于核动力装置故障诊断的可行性和优越性,采用人工数据集数值仿真和核动力装置仿真机过程仿真对该方法进行了验证。(本文来源于《中国核科学技术进展报告（第五卷）——中国核学会2017年学术年会论文集第10册（核测试与分析分卷、核安全分卷）》期刊2017-10-16）
马宇[9]（2017）在《基于高维空间的非线性降维的局部线性嵌入LLE方法》一文中研究指出本文对于数据处理过程中常用的一些降维方法做了简单的分析介绍。首先,介绍了降维的主要概念以及数学定义,其中涉及到特征值问题以及优化问题,对于给定的一个高维空间数据集,对数据进行降维目的是将原来的高维空间进行压缩映射到低维空间当中,并且保持原始高维数据集的主要性质不变。当然,这其中还伴随着某些特征值问题。本文的主要任务之一是探索如何解决这些降维问题与优化问题,以及将高维数据如何可视化的研究;局部线性嵌入LLE方法是这篇文章主要研究的内容,并通过与线性降维方法的实例分析比较,从而分析了 LLE方法的优点及不足,且分析比较可以证明在实际应用中非线性降维还是很具实际意义的。本文的主要一个任务就是如何解决LLE方法其中存在的不足,并提出相应的改良方法。以下是提出了两种改进的LLE算法,对其参数的选择做出了一些改进,并且根据LLE方法不适用于稀疏非均匀数据集等的缺点,在方法优化中引入了加权矩阵的加权LLE方法,从而减小了方法的不适用性以及可适用性。此外,在样本点之间的距离应用测地距离而不是欧几里得距离来找到k个近邻的样本采集点,并通过公式验证了改进算法的可行性,以及此方法的有效性和实用性。(本文来源于《西南交通大学》期刊2017-05-01）
邓廷权,刘金艳,王宁[10]（2018）在《高维数据离群点检测的局部线性嵌入方法》一文中研究指出由于高维空间中数据点比较稀疏,用传统方法来检测高维空间中的离群点不能达到预期效果。提出了一种基于局部线性嵌入的离群点检测方法(OLLE)。在OLLE降维方法中,建立了一种有效的粗糙集模型,使数据集的下近似中的点保持局部线性结构。同时构造两个权重,使所有样本点保持局部近邻结构,且保证在降维的过程中使离群点远离正常点。最后,在低维空间中,采用基于最小生成树的k-最近邻启发式方法来检测离群点。通过一系列的模拟实验,证明OLLE方法能达到很好的降维效果,并且在低维空间中可以有效地检测出离群点。(本文来源于《计算机工程与应用》期刊2018年06期）
局部线性嵌入方法论文开题报告
（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：
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。
（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。
局部线性嵌入方法论文参考文献
[1].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
[2].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
[3].李芳,高翔.局部线性嵌入和深度自编码网络的降维方法的比较[J].中国海洋大学学报(自然科学版).2018
[4].赵海峰,葛园园,王政.基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究[J].生物医学工程学杂志.2018
[5].徐宝鼎,丁香乾,秦玉华,侯瑞春,张磊.基于网格划分局部线性嵌入算法的近红外光谱相似性度量方法[J].激光与光电子学进展.2019
[6].王瑞璇.基于局部线性嵌入和指数判别分析的故障诊断方法研究[D].北京化工大学.2018
[7].葛园园.基于监督局部线性嵌入的阿尔茨海默病早期诊断方法研究[D].安徽大学.2018
[8].于巍峰,刘永阔,武茂浦,温志斌,周文.基于局部线性嵌入和K-最近邻分类器的核动力装置故障诊断方法研究[C].中国核科学技术进展报告（第五卷）——中国核学会2017年学术年会论文集第10册（核测试与分析分卷、核安全分卷）.2017
[9].马宇.基于高维空间的非线性降维的局部线性嵌入LLE方法[D].西南交通大学.2017
[10].邓廷权,刘金艳,王宁.高维数据离群点检测的局部线性嵌入方法[J].计算机工程与应用.2018