导读:本文包含了切空间论文开题报告文献综述及选题提纲参考文献，主要关键词:增量学习,流形学习,局部切空间排列,子空间距离
切空间论文文献综述
李德宜,曾弦,周勇[1]（2019）在《基于子空间距离的局部切空间增量学习》一文中研究指出提出一种基于子空间距离的局部切空间增量学习方法ISLTSA。首先采用基于划分的简化局部切空间排列算法SLTSA,把初始样本集划分为彼此重迭的多个局部最大线性片;然后引入向量到子空间的距离测度描述新数据点与局部最大线性片的接近程度,并将新数据点归入距离其最近的局部最大线性片中;最后,新数据点的全局低维坐标可由局部线性子空间与全局低维流形的仿射变换计算得出。对多个经典数据集的降维结果表明,ISLTSA算法能够保留数据集的局部几何性质,是一种有效的非线性增量学习方法。(本文来源于《武汉科技大学学报》期刊2019年05期）
马丽,安志龙[2]（2019）在《基于局部切空间排列和支持向量机的S700k转辙机齿轮组故障诊断模型》一文中研究指出针对S700k转辙机齿轮组故障信号和故障征兆的非线性、多样性和复杂性等诊断问题,提出一种基于局部切空间排列和支持向量机的故障诊断模型。该模型首先通过局部切空间排列算法实现对振动信号的降维与消噪,然后利用EMD方法分解振动信号,计算各分量的能量熵作为故障特征向量,在保证故障特征整体几何结构信息不发生改变的前提下,降低了诊断数据的维数及噪音。最后利用多故障单值支持向量机对故障特征向量进行分类识别,增强了故障模式识别的分类性能。(本文来源于《青海交通科技》期刊2019年04期）
王锐,吴小俊[3]（2018）在《基于切空间判别学习的流形降维算法》一文中研究指出在基于图像集的流形降维问题中,许多算法的核心思想都是把一个高维的流形直接降到一个维数相对较低、同时具有的判别信息更加充分的流形上.投影度量学习(projection metric learning,简称PML)是一种Grassmann流形降维算法.该算法是基于投影度量,并且使用RCG(Riemannian conjugate gradient)算法优化目标函数,其在多个数据集上都取得了较好的实验结果,但是对于复杂的人脸数据集,如YTC其实验结果相对较差,只取得了66.69%的正确率.同时,RCG算法的时间效率较差.基于上述原因,提出了基于切空间判别学习的流形降维算法.该算法首先对于PML中的投影矩阵添加扰动,使其成为对称正定(symmetric positive definite,简称SPD)矩阵;然后,使用LEM(log-euclidean metric)将其映射到切空间中;最后,利用基于特征值分解的迭代优化算法构造判别函数,得到变换矩阵.对提算法在多个标准数据集上进行了实验验证,并取得了较好的实验结果,从而验证了该算法的有效性.(本文来源于《软件学报》期刊2018年12期）
谢晓华,王庆红[4]（2018）在《一种半监督邻域自适应线性局部切空间排列的故障识别方法研究》一文中研究指出线性局部切空间排列算法(Linear local tangent space alignment,LLTSA)是能够较好应用于模式识别问题的降维方法,但由于其属于无监督的降维方法且在降维过程中只使用全局统一的邻域参数,使得在对高维数据集进行约简时,不能利用部分样本的类别标签信息且不能根据样本空间分布的变化调整邻域参数。针对上述问题,提出了一种半监督邻域自适应线性局部切空间排列算法(Semi-supervised neighborhood self-adaptive LLTSA,SSNA-LLTSA)。该算法在LLTSA的基础上,利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵来完成邻域构建,同时根据每个数据样本点邻域的概率密度自适应地调整邻域参数,进而得到更好的降维效果。经典的叁维流形、UCI典型数据集模式识别和轴承故障诊断的实验结果表明,该算法克服了LLTSA算法无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。(本文来源于《机械强度》期刊2018年05期）
陈凯旋,吴小俊[5]（2018）在《面向图像集分类的切空间稀疏表示算法》一文中研究指出目的在基于图像集的分类任务中,用SPD(symmetric positive definite)矩阵描述图像集,并考虑所得到的黎曼流形,已被证明对许多分类任务有较好的效果。但是,已有的经典分类算法大多应用于欧氏空间,无法直接应用于黎曼空间。为了将欧氏空间的分类方法应用于解决图像集的分类,综合考虑SPD流形的LEM(Log-Euclidean metric)度量和欧氏空间分类算法的特性,实现基于图像集的分类任务。方法通过矩阵的对数映射将SPD流形上的样本点映射到切空间中,切空间中的样本点与图像集是一一对应的关系,此时,再将切空间中的样本点作为欧氏空间中稀疏表示分类算法的输入以实现图像集的分类任务。但是切空间样本的形式为对称矩阵,且维度较大,包含一定冗余信息,为了提高算法的性能和运行效率,使用NYSTR?M METHOD和(2D) ~2PCA(two-directional twodimensional PCA)两种方法来获得包含图像集的主要信息且维度更低的数据表示形式。结果在实验中,对人脸、物体和病毒细胞3种不同的对象进行分类,并且与一些用于图像集分类的经典算法进行对比。实现结果表明,本文算法不仅具有较高的识别率,而且标准差也相对较小。在人脸数据集上,本文算法的识别率可以达到78.26%,比其他算法高出10%左右,同时,具有最小的标准差2.71。在病毒数细胞据集上,本文算法的识别率可以达到58.67%,在所有的方法中识别率最高。在物体识别的任务中,本文算法的识别率可以达到96.25%,标准差为2.12。结论实验结果表明,与一些经典的基于图像集的分类算法对比,本文算法的识别率有较大的提高且具有较小的标准差,对多种数据集有较强的泛化能力,这充分说明了本文算法可以广泛应用于解决基于图像集的分类任务。但是,本文是通过(2D) ~2PCA和NYSTR?M METHOD对切空间中样本进行降维来获得更低维度的样本,以提高算法的运行速度和性能。如何直接构建维度更低,且具有判别性的SPD流形将是下一步的研究重点。(本文来源于《中国图象图形学报》期刊2018年07期）
佘博,田福庆,梁伟阁,汤健[6]（2018）在《增量式监督局部切空间排列算法及齿轮箱故障诊断实验验证》一文中研究指出针对局部切空间排列算法面临的无法利用样本标签信息和不能高效处理增量式维数约简问题,提出一种新的增量式监督局部切空间排列算法(Incremental Supervised Local Tangent Space Alignment,ISLTSA)。为充分利用训练样本标签信息,在LTSA算法的基础上加入散度矩阵,构造新的最小目标函数,使得高维样本的低维嵌入坐标同类聚集、异类分离。对于新增样本可能影响部分训练样本局部邻域,更新全局坐标矩阵,获取训练样本低维坐标和新增样本低维坐标,并作为初值进行特征值迭代实现所有样本全局坐标的更新。结合支持向量机分类算法,将ISLTSA算法应用于齿轮箱的故障状态识别,实验分析验证了该方法的监督学习能力,可提高故障状态识别率,并具备增量学习能力,可降低维数约简方法的复杂度。(本文来源于《振动与冲击》期刊2018年13期）
赵波,苏红军,蔡悦[7]（2018）在《一种切空间协同表示的高光谱遥感影像分类方法》一文中研究指出协同表示分类(collaborative representation classification,CRC)算法近年来成为高光谱遥感分类的研究热点。地物类别间区分性不高会严重影响现有CRC算法的性能。流形结构可有效地解决非线性问题,并解决高光谱遥感影像因数据冗余导致的类别间区分性低的问题。提出了一种基于切空间的高光谱遥感影像协同表示分类算法(tangent space collaborative representation classification,TCRC)和一种基于欧氏距离的自适应加权的切空间协同表示分类算法(weighted tangent space collaborative representation classification,WTCRC)。TCRC算法利用测试样本的切平面来估计区域流形,在测试样本的切空间中使用协同表示算法,寻找测试样本在各类训练样本中的最优线性表示估计,并用其最小误差来对测试样本进行分类。在此基础上,利用测试样本邻域像元、训练样本与测试样本的欧氏距离作为权矩阵来自适应调整各样本对测试样本的影响。实验采用ROSIS(reflective optics system image spectro-meter)和AVIRIS(airbone visible infrared imaging spectrometer)高光谱遥感影像对所提出算法的性能进行了评价,结果表明TCRC和WTCRC在分类效果上比CRC有明显的提升,WTCRC相较于TCRC具有更好的分类效果,具有更强鲁棒性。(本文来源于《武汉大学学报(信息科学版)》期刊2018年04期）
谈超,吉根林,赵斌[8]（2017）在《结合切空间及特征空间校准的增量流形学习正则优化算法》一文中研究指出高维流式大数据的产生与发展对传统机器学习和数据挖掘算法提出了诸多挑战。本文结合流式大数据流式到达的特性,首先建立自适应增量特征提取算法模型。然后,针对噪声环境,建立基于特征空间校准的增量流形学习算法模型,解决小样本问题。最后,构造流形学习的正则化优化框架,解决高维数据流特征提取过程中产生的降维误差问题,并得到最终的最优解。实验结果表明本文提出的算法框架符合流形学习算法的3个评价指标:稳定性、提高性以及学习曲线能迅速增加到一个相对稳定的水平;从而实现了高维数据流的高效学习。(本文来源于《数据采集与处理》期刊2017年06期）
谈超,吉根林,赵斌[9]（2017）在《基于增量切空间校准的自适应流式大数据学习算法》一文中研究指出流形学习是为了寻找高维空间中观测数据的低维嵌入.作为一种有效的非线性维数约减方法,流形学习被广泛应用于数据挖掘、模式识别等机器学习领域.然而,对于样本外点学习、增量学习和在线学习等流形学习方法,面对流式大数据的学习算法时间效率较低.为此提出了一种新的基于增量切空间的自适应流式大数据学习算法(self-adaptive streaming big data learning algorithm based on incremental tangent space alignment,SLITSA),该算法采用增量PCA的思想,增量地构造子空间,能在线或增量地检测数据流中的内在低维流形结构,在迭代过程中构建新的切空间进行调准,保证了算法的收敛性并降低了重构误差.通过人工数据集以及真实数据集上的实验表明:该算法分类精度和时间效率优于其他学习算法,可推广到在线或流式大数据的应用当中.(本文来源于《计算机研究与发展》期刊2017年11期）
姜景升[10]（2017）在《基于局部切空间排列算法的故障特征提取及识别方法研究》一文中研究指出大型旋转机械通常运行工况复杂,传感器采集到的振动信号大多伴有非线性、非稳定性特征,因此,以振动信号为目标的故障诊断工作变得愈加艰难。本论文把旋转机械包含的重要组件轴承和齿轮作为研究对象,开展了基于局部切空间排列算法(LTSA)的特征提取及识别方法研究。改进最小熵反褶积(MED)方法,提高了微弱信号的信噪比,并结合LTSA开展相关研究:基于包数方法与局部切空间降噪的故障特征提取方法及基于LTSA与K-最近邻分类器(KNN分类器)的轴承故障识别方法。主要研究内容如下:(1)研究了果蝇优化算法(FOA)和粒子群优化算法(PSO)改进MED的诊断方法。针对强噪声背景下最小熵反褶积使信号有用信息丢失,以及MED方法得到滤波系数存在局部最优和终止条件参数选取不适造成的信号的过降噪等问题,引入智能优化方法改进MED替代MED中目标函数求解方法(Objective Function Method,OFM),作为MED前处理器,寻求最佳滤波系数。分别提出基于FOA和基于PSO的两种改进MED方法,所提方法能够寻求全局最优逆滤波器系数,剔除强噪声成分。利用低速轴承实验台分别对两种方法进行验证与分析,结果表明:两种方法能够有效削减噪声,可有效提取故障特征,在信号降噪方面取得较好的效果。同时对比两种方法,FOA改进算法在非线性降噪方面具有更好的效果,更适用于轴承微弱故障诊断。(2)研究了基于包数与局部切空间重构降噪方法,用以解决局部切空间重构方法中约简维数随意选取可能导致相空间的主流形畸变,使得降噪效果降低等问题。为更多挖掘信号的有用信息,利用相空间重构技术、互补的总体经验模态分解(CEEMD)完成一维信号向高维空间的映射。利用相空间重构方法对高维空间进行处理,剔除噪声成分。分别利用相空间重构逆过程和分量求和重构出一维信号。最终利用Hilbert-FFT进行包络解调,提取故障特征。利用滚动轴承实验系统进行对比分析和验证,分析表明:较传统小波降噪(WT),所提方法可提升信噪比,体现良好的降噪效果,能够用于轴承故障诊断。基于包数方法的局部切空间重构具有更好的降噪性能,但运行时间较长。基于CEEMD的局部切空间重构降噪欠佳,不过重构简单,耗时较短。(3)研究了基于LTSA-KNN分类器的故障识别方法。针对LTSA的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA-KNN分类器的诊断模型。选取13种时域特征参数构建高维特征矩阵,然后对高维矩阵进行标准化预处理,依据聚类准则确定LTSA中的最佳近邻数k,利用LTSA完成叁维映射以观察聚类情况。将叁维矩阵划分成训练样本和测试样本输入到KNN分类器进行故障分类。采用滚动轴承诊断实验系统和风力机状态监测实验系统分别采集轴承信号和齿轮信号进行验证,结果表明:基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在维数约简方面,效果优于主成分分析-KNN分类器诊断模型、拉普拉斯特征映射-KNN分类器诊断模型和BP神经网络,适用于轴承和齿轮故障识别。(本文来源于《北京化工大学》期刊2017-05-25）
切空间论文开题报告
（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：
针对S700k转辙机齿轮组故障信号和故障征兆的非线性、多样性和复杂性等诊断问题,提出一种基于局部切空间排列和支持向量机的故障诊断模型。该模型首先通过局部切空间排列算法实现对振动信号的降维与消噪,然后利用EMD方法分解振动信号,计算各分量的能量熵作为故障特征向量,在保证故障特征整体几何结构信息不发生改变的前提下,降低了诊断数据的维数及噪音。最后利用多故障单值支持向量机对故障特征向量进行分类识别,增强了故障模式识别的分类性能。
（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。
切空间论文参考文献
[1].李德宜,曾弦,周勇.基于子空间距离的局部切空间增量学习[J].武汉科技大学学报.2019
[2].马丽,安志龙.基于局部切空间排列和支持向量机的S700k转辙机齿轮组故障诊断模型[J].青海交通科技.2019
[3].王锐,吴小俊.基于切空间判别学习的流形降维算法[J].软件学报.2018
[4].谢晓华,王庆红.一种半监督邻域自适应线性局部切空间排列的故障识别方法研究[J].机械强度.2018
[5].陈凯旋,吴小俊.面向图像集分类的切空间稀疏表示算法[J].中国图象图形学报.2018
[6].佘博,田福庆,梁伟阁,汤健.增量式监督局部切空间排列算法及齿轮箱故障诊断实验验证[J].振动与冲击.2018
[7].赵波,苏红军,蔡悦.一种切空间协同表示的高光谱遥感影像分类方法[J].武汉大学学报(信息科学版).2018
[8].谈超,吉根林,赵斌.结合切空间及特征空间校准的增量流形学习正则优化算法[J].数据采集与处理.2017
[9].谈超,吉根林,赵斌.基于增量切空间校准的自适应流式大数据学习算法[J].计算机研究与发展.2017
[10].姜景升.基于局部切空间排列算法的故障特征提取及识别方法研究[D].北京化工大学.2017