题名 有监督不相关局部Fisher判别分析故障诊断
被引量：7
1
作者
李锋 王家序 汤宝平 邓成军
机构
四川大学制造科学与工程学院 四川大学空天科学与工程学院 重庆大学机械传动国家重点实验室
出处
《振动工程学报》
EI
CSCD
北大核心
2015年第4期657-665,共9页
基金
国家自然科学基金青年基金资助项目(51305283) 国家公派高级研究学者及访问学者(含博士后)项目(201406245021) 高等学校博士学科点专项科研基金资助项目(20120181130012)
文摘
针对现有流形学习理论用于旋转机械故障诊断存在识别精度不高的问题,提出基于有监督不相关局部Fisher判别分析(Supervised Uncorrelated Local Fisher Discriminant Analysis,SULFDA)的新型故障诊断方法。首先构造全面表征不同故障特征的时频域特征集,再利用有监督不相关局部Fisher判别分析将高维时频域故障特征集化简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。有监督不相关局部Fisher判别分析在类标签指导下最小化同类流形的离散度并最大化异类流形的离散度来实现类判别,还施加了不相关约束条件使所提取的特征统计不相关,提高了针对旋转机械的故障诊断精度。深沟球轴承故障诊断实验验证了该方法的有效性。
关键词
故障诊断 旋转机械 时频域特征集 有监督不相关局部fisher判别分析 流形学习
Keywords
fault diagnosis rotating machinery time-frequency domain feature set supervised uncorrelated local fisher dis-criminant analysis manifold learning
分类号
TH165.3
[机械工程—机械制造及自动化]
TN911.2
[电子电信—通信与信息系统]
题名 一种邻域自适应半监督局部Fisher判别分析算法
被引量：5
2
作者
杜伟 房立清 齐子元
机构
军械工程学院火炮工程系
出处
《计算机应用研究》
CSCD
北大核心
2019年第1期99-102,118,共5页
基金
河北省自然科学基金资助项目(E2016506003)
文摘
针对利用局部化思想解决多模数据的判别分析问题时,根据经验对局部邻域大小进行全局统一设定,无法体现局部几何结构差异性的不足,提出一种邻域自适应半监督局部Fisher判别分析(neighborhood adaptive semi-supervised local Fisher discriminant analysis,NA-SELF)算法。该算法在半监督局部Fisher判别分析算法的基础上,结合马氏距离和余弦相似度确定初始近邻数,并根据样本空间概率密度估计调整近邻数。通过人工数据集和五组UCI标准数据集对该算法的特征降维性能进行验证,并与典型的维数约简算法和采用传统K近邻方法的判别分析算法进行比较,实验结果表明该算法具备更高的有效性。
关键词
局部 邻域自适应 半监督 局部 fisher 判别分析 维数约简
Keywords
local neighborhood adaptive semi-supervised local fisher discriminant analysis dimensionality reduction
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
题名 稀疏局部Fisher判别分析
被引量：4
3
作者
许淑华 齐鸣鸣
机构
绍兴文理学院数学系 绍兴文理学院元培学院
出处
《计算机工程与应用》
CSCD
2012年第4期173-175,共3页
基金
浙江省教育厅科研项目(No.Y201018654)
文摘
提出一种稀疏局部Fisher判别分析(SparsityLocalFisherDiscriminantAnalysis,SLFDA)。该算法在局部Fisher判别分析降维的基础上,通过平衡参数引入稀疏保持投影,在投影降维过程中保持了数据的全局几何结构和局部近邻信息。在UCI数据集和YaleB人脸数据集上的实验表明,该算法融合局部Fisher判别分析和稀疏保持投影的优点;与现有的半监督局部Fisher判别分析降维算法相比,该算法提高了基于最短欧氏距离的分类算法的精度。
关键词
稀疏保持 局部 fisher 判别分析 半监督 降维
Keywords
sparsity preserving local fisher discriminant analysis semi-supervised dimensional reduction
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 一种自适应邻域选择半监督判别分析算法
被引量：1
4
作者
刘云东 李鸿 白万荣 刘罡
机构
宿州学院信息工程学院 兰州理工大学计算机与通信学院 中国人民解放军
出处
《计算机工程与应用》
CSCD
北大核心
2011年第35期180-183,187,共5页
基金
国家自然科学基金(No.20871089) 安徽省高校优秀青年人才基金项目(No.2009SQRZ171) +1 种基金 安徽省教育厅自然科学研究项目(No.KJ2009B121) 安徽省高校优秀青年人才基金项目(No.2010SQRL192)~~
文摘
为克服边界Fisher判别分析(MFA)只利用少量有标记样本和构建邻域不能充分反映流形学习对邻域要求的缺点,提出一种基于局部线性结构的自适应邻域选择半监督判别分析的算法。采用自适应算法扩大或者缩小近邻系数k来构建邻域以保持局部线性结构。MFA通过少量有类别标签样本进行降维的同时UDP对大量无标签样本进行学习,以半监督的方法对高维人脸数据进行维数约减。最后,在ORL和YALE人脸数据库通过实验结果验证了该算法的有效性。
关键词
边界fisher 判别分析 无监督 鉴别投影 半监督 局部 线性结构邻域选择
Keywords
Marginal fisher Analysis （MFA） Unsupervised Discriminant Projection（UDP） semi-supervised local linear structure neighborhood selection
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 全局判别与局部稀疏保持HSI半监督特征提取
被引量：5
5
作者
黄冬梅 张晓桐 张明华 宋巍
机构
上海海洋大学信息学院 上海电力大学
出处
《计算机工程与应用》
CSCD
北大核心
2019年第20期184-191,共8页
基金
国家自然科学基金（No.41671431） 上海市科学技术委员会科研计划项目（No.15590501900） 上海市高校特聘教授（东方学者）项目（No.TP201638）
文摘
针对高光谱图像存在“维数灾难”的问题,提出一种全局判别与局部稀疏保持的高光谱图像半监督特征提取算法(GLSSFE)。该算法通过LDA算法的散度矩阵保存有类标样本的全局类内判别信息和全局类间判别信息,结合利用半监督PCA算法对有类标和无类标样本进行主成分分析,保存样本的全局结构;利用稀疏表示优化模型自适应揭示样本数据间的非线性结构,将局部类间判别权值和局部类内判别权值嵌入半监督LPP 算法保留样本数据的局部结构,从而最大化同类样本的相似性和异类样本的差异性。通过1-NN和SVM两个分类器分别对Indian Pines和Pavia University 两个公共高光谱图像数据集进行分类,验证所提特征提取方法的有效性。实验结果表明,该GLSSFE算法最高总体分类精度分别达到89.10%和92.09%,优于现有的特征提取算法,能有效地挖掘高光谱图像的全局特征和局部特征,极大地提升高光谱图像的地物分类效果。
关键词
高光谱图像 半监督 全局判别分析 半监督 局部 稀疏保持 特征提取 空间相关 性
Keywords
hyperspectral images semi-supervised global discriminant analysis semi-supervised local sparse preserving feature extraction spatial correlation
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
题名 基于转子故障数据集的KSELF降维方法
被引量：2
6
作者
户文刚 赵荣珍
机构
兰州理工大学机电工程学院
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2021年第1期13-18,197,共7页
基金
国家自然科学基金资助项目(51675253) 国家重点研发计划资助项目(2016YFF0203303⁃04)。
文摘
针对故障诊断中呈现强非线性的故障数据集维数过高以及有标签故障样本不足的问题,引入核方法和半监督思想,提出了一种基于核半监督局部Fisher判别分析(kernel semi⁃supervised local Fisher discriminant analysis,简称KSELF)的降维方法。首先,通过核方法将原始故障数据集映射到高维特征空间中;其次,在高维空间中基于半监督局部Fisher判别分析得出投影转换矩阵;最后,用一双跨度转子实验台的故障特征数据集对所提出的方法进行了验证。所提出的KSELF降维方法能够有效捕捉数据的非线性信息,并能充分利用少量标签样本和大量无标签故障样本中的故障信息,避免了过学习问题。实验结果表明,KSELF方法相比实验中的其他方法,其降维能力稳定,能够获得更好的降维效果和更高的分类准确率。
关键词
维数约简 核半监督 局部 fisher 判别分析 核方法 半监督 学习
Keywords
dimension reduction kernel semi-supervised local fisher discriminant analysis(KSELF) kernel method semi-supervised learning
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TH165
[机械工程—机械制造及自动化]
