针对局部线性嵌入(LLE:Locally Linear Embedding)算法邻域选择不精确及度量方法缺陷导致不能提取流形真实结构的问题,提出一种基于自适应邻域及重构权重的局部线性嵌入算法(AN-RWLLE:Locally Linear Embedding Algorithm Based on Adap...针对局部线性嵌入(LLE:Locally Linear Embedding)算法邻域选择不精确及度量方法缺陷导致不能提取流形真实结构的问题,提出一种基于自适应邻域及重构权重的局部线性嵌入算法(AN-RWLLE:Locally Linear Embedding Algorithm Based on Adaptive Neighborhood and Reconstruction Weight)。首先,通过计算高维样本点的余弦相似性,筛选出每个样本点的局部邻域,再从该邻域中自适应选择最优邻域。其次,融合最优邻域内样本点的距离和结构特征,充分挖掘高维数据流形结构,实现权重重构。最后,利用支持矢量机对特征进行识别,在低维空间保持高维数据的本质特征。实验结果表明,AN-RWLLE算法具有很好的可视化和聚类效果,在两组轴承故障数据集上都具有很好的特征提取能力。展开更多
文摘针对局部线性嵌入(LLE:Locally Linear Embedding)算法邻域选择不精确及度量方法缺陷导致不能提取流形真实结构的问题,提出一种基于自适应邻域及重构权重的局部线性嵌入算法(AN-RWLLE:Locally Linear Embedding Algorithm Based on Adaptive Neighborhood and Reconstruction Weight)。首先,通过计算高维样本点的余弦相似性,筛选出每个样本点的局部邻域,再从该邻域中自适应选择最优邻域。其次,融合最优邻域内样本点的距离和结构特征,充分挖掘高维数据流形结构,实现权重重构。最后,利用支持矢量机对特征进行识别,在低维空间保持高维数据的本质特征。实验结果表明,AN-RWLLE算法具有很好的可视化和聚类效果,在两组轴承故障数据集上都具有很好的特征提取能力。
