局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability informatio...局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability information entropy-LLE,PIE-LLE)。首先,为了使邻域点选择更加合理,从数据集的概率分布角度出发,考虑样本点及其邻域的概率分布,为样本点构造符合局部分布的邻域集合。其次,为了充分提取样本的局部结构信息,在权重构造阶段,分别计算样本所属邻域概率以及每个样本的信息熵,融合二者信息重构低维样本。最后,在两个轴承故障数据集上的实验表明,所提方法故障识别准确度最高达到了100%,高于其他对比算法;在邻域点个数5~15范围内,PIE-LLE算法展现出良好的低维可视化效果;在参数敏感性实验中,该算法可以保持Fisher指标较大,有效提高了算法的分类准确度和稳定性。展开更多
非刚性点集配准是计算机视觉和模式识别领域的基础研究问题,现今的非刚性点集配准算法在存在大量离群点、噪声、点集对应关系缺失、旋转和形变情况下,不能非常准确地评估出两个点集间的对应关系.本文通过交替执行点集对应关系评估和空...非刚性点集配准是计算机视觉和模式识别领域的基础研究问题,现今的非刚性点集配准算法在存在大量离群点、噪声、点集对应关系缺失、旋转和形变情况下,不能非常准确地评估出两个点集间的对应关系.本文通过交替执行点集对应关系评估和空间转换更新两个步骤来逐步恢复点集间一一对应关系.在对应关系评估步骤,首先本文基于有限重尾学生t分布隐变量混合模型(student-t distribution Latent Mixture Model,简称TLMM)构造变分贝叶斯层次概率模型(Variational Bayes Hierarchical Probability Model,简称VBHPM)并将其分为对应关系评估组件和离群点聚合组件,分别用来评估点集间对应关系和聚合离群点,同时使用贝叶斯线性回归方法来抵抗噪声的干扰.其次本文加入Dirichlet先验分布来动态调节模型的混合比例,为对应关系缺失的点分配较小的混合比例以保持点集结构的稳定性.在空间转换更新步骤,本文基于变分贝叶斯(Variational Bayes,简称VB)框架来迭代更新模型参数,并提出树状平均场因式分解方法来维持模型参数间的依赖关系,以获得更紧致的变分下界.此外,本文提出自适应全局-局部约束策略来维持点集间结构的稳定性,抵抗形变和旋转影响的同时实现从局部到全局的约束过程.最后,本文采用了双阶段先验退火方案,在退火过程中使用Gamma先验分布来动态调节精度,实现由粗到精的配准过程.在实验部分,本文不仅测试了VBHPM的性能,而且展示了点集和图像配准的结果,并与当前流行的13种算法进行了比较,VBHPM皆能展现较准确的配准结果和较高的精度.展开更多
文摘局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability information entropy-LLE,PIE-LLE)。首先,为了使邻域点选择更加合理,从数据集的概率分布角度出发,考虑样本点及其邻域的概率分布,为样本点构造符合局部分布的邻域集合。其次,为了充分提取样本的局部结构信息,在权重构造阶段,分别计算样本所属邻域概率以及每个样本的信息熵,融合二者信息重构低维样本。最后,在两个轴承故障数据集上的实验表明,所提方法故障识别准确度最高达到了100%,高于其他对比算法;在邻域点个数5~15范围内,PIE-LLE算法展现出良好的低维可视化效果;在参数敏感性实验中,该算法可以保持Fisher指标较大,有效提高了算法的分类准确度和稳定性。
文摘非刚性点集配准是计算机视觉和模式识别领域的基础研究问题,现今的非刚性点集配准算法在存在大量离群点、噪声、点集对应关系缺失、旋转和形变情况下,不能非常准确地评估出两个点集间的对应关系.本文通过交替执行点集对应关系评估和空间转换更新两个步骤来逐步恢复点集间一一对应关系.在对应关系评估步骤,首先本文基于有限重尾学生t分布隐变量混合模型(student-t distribution Latent Mixture Model,简称TLMM)构造变分贝叶斯层次概率模型(Variational Bayes Hierarchical Probability Model,简称VBHPM)并将其分为对应关系评估组件和离群点聚合组件,分别用来评估点集间对应关系和聚合离群点,同时使用贝叶斯线性回归方法来抵抗噪声的干扰.其次本文加入Dirichlet先验分布来动态调节模型的混合比例,为对应关系缺失的点分配较小的混合比例以保持点集结构的稳定性.在空间转换更新步骤,本文基于变分贝叶斯(Variational Bayes,简称VB)框架来迭代更新模型参数,并提出树状平均场因式分解方法来维持模型参数间的依赖关系,以获得更紧致的变分下界.此外,本文提出自适应全局-局部约束策略来维持点集间结构的稳定性,抵抗形变和旋转影响的同时实现从局部到全局的约束过程.最后,本文采用了双阶段先验退火方案,在退火过程中使用Gamma先验分布来动态调节精度,实现由粗到精的配准过程.在实验部分,本文不仅测试了VBHPM的性能,而且展示了点集和图像配准的结果,并与当前流行的13种算法进行了比较,VBHPM皆能展现较准确的配准结果和较高的精度.
