导读:本文包含了流形特征论文开题报告文献综述及选题提纲参考文献，主要关键词:运动声源,特征提取,流形学习,短时傅里叶变换
流形特征论文文献综述
宿元亮,刘志红,王万凯,赵玉贵,仪垂杰[1]（2019）在《流形学习在运动声源声特征提取方面的研究》一文中研究指出运动声源因声信号时变性、迭加性和空时耦合性强,声数据呈现高维、非线性等特点,使得关键声特征提取困难,声特征提取方法复杂度高、数值计算量大、有效性差。因此,如何有效提取声特征并降低提取方法复杂度成为目前多源声场声源精准识别需迫切解决的关键科学问题。由此,该文提出短时傅里叶变换(STFT)和局部线性嵌入算法(LLE)联合的STFT-LLE流形学习声特征提取方法,并将此方法应用于运动声特征提取,且通过仿真实验测试对其进行了验证。该方法为运动声目标的分类识别提供了技术支撑。(本文来源于《应用声学》期刊2019年06期）
宁海燕,罗本福,陈强,张明杰,刘小兵[2]（2019）在《大管径气提装置的流形特征和运行性能分析》一文中研究指出以大管径气提装置为研究对象,以常温清水为提升介质,测试了长度6m,内径95mm扬水管,在多种工况下的扬水性能。通过对试验结果的分析和处理,研究了大管径气提装置的主要流形特征,验证了Golan流形分界方程在大管径流形判断中的实用性。从气水两相流的角度,综合分析了大管径气提装置的气体当量速度、液体当量速度、滑移速度、淹没比及提升效率的相互关系,得出了大管径气提装置运行性能变化规律,提出了大管径气提装置的关键性能参数的合理取值。(本文来源于《给水排水》期刊2019年07期）
张玉梅[3]（2019）在《基于流形规整的扩展自适应Lasso多类别特征选择方法研究》一文中研究指出随着科学技术的不断发展,在真实世界中存在很多高维度的数据,例如生物信息学中的基因序列、时间序列以及高光谱遥感数据等。虽然高维数据比低维数据拥有更多的数据量,但是对于某个特定的识别任务来说,高维数据中的很多特征都是冗余的且与当前任务无法产生联系的无效特征,还有很多冗余的与任务不相关的无效特征,甚至是影响分类精度的噪声特征。因此,如果直接对这些高维数据操作会面临很多的困难,最直接的表现就是维数灾难问题。此外,在实际应用中,如果直接操作高维数据,大多数的学习算法的计算开销以及时间开销会随着特征维数的增高而不断增加,模型也会越复杂,算法的推广能力自然也会下降。为了解决高维数据所面临的问题,特征选择技术随之产生。特征选择的含义是,为实现降低特征空间维数的目的,从原始特征数据集中选出那些与识别任务相关的、有代表性的特征的过程,它是模式识别中的关键的数据预处理步骤,同时也是提高学习算法性能的有效手段。迄今为止,研究群体为了从高维特征中挑选出相关的、有代表性的特征,提出了大量的特征选择方法。如Lasso方法,Adaptive Lasso方法,全局冗余最小化(GRM)方法,等等。近年来,多标签学习在各种实际应用场景中也得到了广泛的使用,重点研究了一个样本同时属于多个类别或者是多个标签的问题。对于多标签数据呈现出来的大量特征,研究者们也从不同的方面提出了大量的特征选择方法,如Lin等人提出了一种基于最大依赖和最小冗余(mRMR)的多标签特征选择方法,Liu等人提出了一种在线多标签组特征选择算法,等等。基于前人的研究成果,本文提出了一个不一样的特征选择方法,并在文中给出了合理有效的迭代求解算法。本文的主要研究内容如下:(1)基于传统Lasso以及扩展的Lasso特征选择方法所存在的缺陷,选择将样本特征与类别之间的相关性作为约束,在传统Adaptive Lasso模型中加入权重约束,提出了扩展的自适应Lasso(EALasso)特征选择方法,该方法不仅可以处理两类样本的特征选择问题,还可以处理繁杂的多类别多标签特征选择问题。在优化目标函数的过程中,对回归系数加权,当权重确定后,在/2.1-norm的约束下,为了尽可能达到行稀疏,权重矩阵中值比较大的元素所对应的稀疏系数矩阵中的值就会被压缩为0,所以那些回归系数被估计为0的特征就会被自动删除,从而达到特征选择的目的。对于EALasso,文章中还提供了有效的迭代求解算法以及相对应的收敛性证明。在这一部分,分别在多类别单标签数据集上以及多类别多标签数据集上以不同的判别方式证明了本章所提出方法的有效性。(2)基于考虑到数据之间的固灯联系和局部结构信息对数据本身的直接影响,这一部分,将EALasso方法做了进一步地扩展,提出了基于流形规整的自适应Lasso(MrALasso)特征选择方法,在这一部分中,在目标函数中添加了图规整项是希望原空间中相近的样本点在低维空间中也尽可能相近,同时也增加了数据之间的固有联系和局部结构信息,并提出了有效的迭代求解算法以及相应的收敛性证明。在多个相关基因数据集上的实验结果表明,本文提出的算法的效果要优于其他相同领域的特征选择算法。然而,MrALasso只能解决包含两类样本的特征选择问题。(3)这一部分,进一步将MrALasso从两类别的情况扩展到了多类别的情况,提出了扩展的基于流形规整的自适应Lasso(EMrALasso)的多类别选择方法,并提供了有效的迭代求解算法以及相应的收敛性证明。实验结果在多个多类别数据集上证实了EMrALasso方法的有效性。(本文来源于《安徽大学》期刊2019-05-01）
黄鸿,李政英,石光耀,潘银松[4]（2019）在《面向高光谱影像分类的多特征流形鉴别嵌入》一文中研究指出鉴于传统维数约减方法对高光谱遥感影像进行降维时,往往只利用了单一的光谱特征,限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法,该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征,然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构,在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性,而且使同类点尽可能紧致、不同类点远离,实现空-谱联合低维鉴别特征提取,以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明,本文算法的分类精度在不同实验条件下均优于传统的维数约减方法,其分类精度可达95.05%和96.20%,在较少训练样本条件下优势更为明显,有利于实际应用。(本文来源于《光学精密工程》期刊2019年03期）
焦世超,况立群,韩燮[5]（2019）在《多特征混合的流形排序及其在叁维模型草图检索中的应用》一文中研究指出为了解决现有基于流形排序的叁维模型的草图检索方法特征提取过程中特征描述不准确,且需要对检索草图进行人工标注的问题,提出了一种基于改进特征描述符和深度学习的方法用于叁维模型草图检索。该方法首先综合考虑了整体形状及局部细节对检索性能的影响,提出用于描述草图和叁维模型投影视图的多特征视觉描述符。然后利用深度学习的方法实现草图语义标注。最后在包含7 200幅草图和1 258个叁维模型的公开数据集上进行了实验验证。结果表明:本文方法不仅降低了人为标注所带来的干扰,而且显着提高了叁维模型检索的准确率。研究结果将为叁维影视动画的自动化检索及编辑重用等相关应用提供设计思路与技术支撑。(本文来源于《科学技术与工程》期刊2019年04期）
马世欣,刘春桐,李洪才,张耿,何祯鑫[6]（2019）在《基于线性嵌入和张量流形的高光谱特征提取》一文中研究指出为了使降维结果更好地体现高光谱数据的空间结构信息,并进一步提高分类精度,提出了一种基于线性嵌入和张量流形的高光谱特征提取算法。不同于其他流形结构的表达方法,所提算法采用协同表示理论求解全局线性嵌入的权重矩阵,更有利于保持高维数据的全局信息,提高了流形结构表达的准确性。同时,建立了基于多特征描述的张量流形降维框架,得到的显式映射具有较强的可靠性和全局适应性。实验结果表明:与主成分分析、局部线性嵌入、拉普拉斯特征映射和线性保留投影等算法相比,所提算法表现出了更优越的分类性能。(本文来源于《光学学报》期刊2019年04期）
戚晓利,叶绪丹,蔡江林,郑近德,潘紫微[7]（2018）在《基于变分模态分解与流形学习的滚动轴承故障特征提取方法》一文中研究指出提出了一种基于变分模态分解(VMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先利用VMD算法分解圆柱滚子轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量;然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,两者结合初步提取高维故障特征后,再应用LTSA对故障特征进行二次提取;最后输入到K-means分类器进行故障类型识别;通过对圆柱滚子轴承故障诊断的对比实验分析,发现:(1)与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;(2) LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种算法,其降维后的特征故障敏感性最好。研究结果表明所提出的方法在圆柱滚子轴承故障诊断方面具有一定的优越性。(本文来源于《振动与冲击》期刊2018年23期）
王培珍,王慧,刘曼,王高,张代林[8]（2018）在《一种基于流形学习的PCA-SLPP特征空间降维方法》一文中研究指出针对复杂模式分类中特征空间维数过高问题,提出一种基于流形学习的PCA-SLPP降维方法。先对初始特征量集中样本数据进行主成分分析(PCA),使特征量在全局空间中相互独立;再采用改进的有监督局部保留投影(SLPP)法对主成分分析后的数据进行映射,使数据在特征空间中的局部流行结构得以保持的同时扩大样本数据的可区分性;最终依据累计贡献率与特征值的大小实现特征空间的降维。采用降维后的数据集训练支持向量机分类器,对具有复杂结构的煤岩惰质组显微组分进行分类。实验结果表明:PCA可以有效去除特征数据间的信息冗余,有助于分类正确率的提高;PCA的维数一定且总维数较高时,采用SLPP继续降维对分类正确率影响不大,但当总维数降到2及以下时,分类正确率迅速下降;在特征空间总维数降到初始维数的1/2及以下时,本文方法的分类正确率明显高于其他算法;本文方法在耗时上与SLPP相近。(本文来源于《安徽工业大学学报(自然科学版)》期刊2018年04期）
王万凯[9]（2018）在《STFT-LLE流形学习方法及其在运动声特征提取中的应用研究》一文中研究指出随着城市化进程加快,城市交通噪声污染越来越突出,已成为亟待解决的社会问题。交通噪声因声信号时变性、迭加性和空时耦合性强,声数据呈现高维、非线性等特点,使得关键声特征提取困难,声特征提取方法复杂度高、数值计算量大、有效性差。因此,如何有效提取声特征并降低提取方法复杂度成为目前多源声场声源精准识别迫切解决的关键科学问题。由此,本文提出短时傅里叶变换(STFT)和局部线性嵌入算法(LLE)联合的STFT-LLE流形学习声特征提取方法,并将此方法应用于运动声特征提取,且通过数值仿真和实验测试对关键算法及核心方法进行了验证。该论文选题源于国家自然科学基金面上项目(61671262、61871447)。论文主要研究工作如下:(1)在深入研究流形学习算法和亚音速运动声特征的基础上,提出了将局部线性嵌入算法(LLE)作为运动声特征提取的核心流形学习算法,并详细探讨了影响流形结构特征的关键因素以及高维特征矩阵的构建方法。(2)提出了采用短时傅里叶变换(STFT)作为声特征提取的第一步,提取结果作为LLE算法输入向量来构建LLE算法的高维特征矩阵,解决该算法中高维特征矩阵构建难题。进一步融合STFT和LLE算法形成STFT-LLE流形学习方法,进行声特征流形学习,并给出该方法的具体实现流程。(3)采用数值仿真对STFT-LLE流形学习方法的声特征提取进行研究。以多种马赫数小于1的匀速直线运动声信号为对象,应用该方法进行运动声特征提取,明确STFT-LLE方法在运动声特征提取中的关键算法的可行性。(4)采用实验测试对STFT-LLE流形学习方法及其运动声特征提取有效性进行实验分析和理论验证。针对采集的轿车(凯越1.6LX-MT)和摩托车(美达威XB125T-11F)声信号,通过4种联合特征提取方法(PSR-PCA、PSR-LLE、STFT-PCA、STFT-LLE)进行声特征提取并将各特征向量送入支持向量机(SVM)分类器。车辆识别实验验证了STFT-LLE流形学习方法的有效性。(本文来源于《青岛理工大学》期刊2018-12-01）
肖丽萍[10]（2018）在《基于特征融合及流形排序的叁维模型检索分析》一文中研究指出随着计算机软硬件技术与叁维建模技术的快速发展,叁维模型被广泛应用于医疗科学、计算机辅助设计、影视动画等场景中,应用范围越来越广。据统计,在新产生的模型中,约有75%的模型是对现有模型的改进。因此,想要提高设计与生产效率,快速在叁维模型库中找到匹配模型是关键。文章探讨了特征融合与流形排序对叁维模型的检索,以期提高模型的检索准确性与检索速度。(本文来源于《电子技术与软件工程》期刊2018年21期）
流形特征论文开题报告
（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：
以大管径气提装置为研究对象,以常温清水为提升介质,测试了长度6m,内径95mm扬水管,在多种工况下的扬水性能。通过对试验结果的分析和处理,研究了大管径气提装置的主要流形特征,验证了Golan流形分界方程在大管径流形判断中的实用性。从气水两相流的角度,综合分析了大管径气提装置的气体当量速度、液体当量速度、滑移速度、淹没比及提升效率的相互关系,得出了大管径气提装置运行性能变化规律,提出了大管径气提装置的关键性能参数的合理取值。
（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。
流形特征论文参考文献
[1].宿元亮,刘志红,王万凯,赵玉贵,仪垂杰.流形学习在运动声源声特征提取方面的研究[J].应用声学.2019
[2].宁海燕,罗本福,陈强,张明杰,刘小兵.大管径气提装置的流形特征和运行性能分析[J].给水排水.2019
[3].张玉梅.基于流形规整的扩展自适应Lasso多类别特征选择方法研究[D].安徽大学.2019
[4].黄鸿,李政英,石光耀,潘银松.面向高光谱影像分类的多特征流形鉴别嵌入[J].光学精密工程.2019
[5].焦世超,况立群,韩燮.多特征混合的流形排序及其在叁维模型草图检索中的应用[J].科学技术与工程.2019
[6].马世欣,刘春桐,李洪才,张耿,何祯鑫.基于线性嵌入和张量流形的高光谱特征提取[J].光学学报.2019
[7].戚晓利,叶绪丹,蔡江林,郑近德,潘紫微.基于变分模态分解与流形学习的滚动轴承故障特征提取方法[J].振动与冲击.2018
[8].王培珍,王慧,刘曼,王高,张代林.一种基于流形学习的PCA-SLPP特征空间降维方法[J].安徽工业大学学报(自然科学版).2018
[9].王万凯.STFT-LLE流形学习方法及其在运动声特征提取中的应用研究[D].青岛理工大学.2018
[10].肖丽萍.基于特征融合及流形排序的叁维模型检索分析[J].电子技术与软件工程.2018