1 华中科技大学 光学与电子信息学院, 武汉 430074
2 烽火通信科技股份有限公司, 武汉 430073
基于微环谐振腔FWM(四波混频)效应产生的OFC(光频梳)可实现多波长光源和光孤子传输、存储等, 能很好地满足光通信网络的要求。对基于微环谐振腔的OFC已有大量的实验报道, 但是理论研究却有些不足。文章介绍了目前两种微环谐振腔OFC的理论分析方法, 即NCME(非线性耦合模方程)和非线性LLE (Lugiato-Lefever方程), 对这两种方法的优缺点进行了比较分析。结果表明, LLE由于其计算速度快, 更适合用于基于微环谐振腔的超宽带OFC的理论研究。
微环谐振腔 四波混频 光频梳 非线性耦合模方程 非线性Lugiato-Lefever方程 micro-ring resonator FWM OFC NCME nonlinear LLE
1 中国科学院 长春光学精密机械与物理研究所中国科学院航空光学成像与测量重点实验室,吉林 长春 130033
2 中国科学院大学,北京 100049
研究了软硬件相结合的亚像元超分辨成像技术。首先通过探测器扫描获得同一场景彼此错位亚像元像素的多帧图像作为训练样本和输入图像;然后针对传统的局部线性嵌入(LLE)实例学习超分辨算法过于依赖外部训练样本,不利于光电成像系统直接处理等缺点,提出了一种基于自学习的改进LLE算法;采用新的LLE权值计算方法获得正数权值,同时对初始估计再次运用自学习LLE方法恢复丢失的高频细节信息。仿真实验结果表明,该算法重构的图像的信噪比比传统LLE超分辨算法提高了0.8 dB,运行时间提高了75%,视觉上可感知重构图像的细节信息更丰富。与其它方法相比,用搭载的微位移实验平台运行本文算法所获得重构图像的信噪比和信息熵都有很大提高,表明本文算法能获得高质量和高分辨率的重构图像。
超分辨成像 亚像元图像 自学习 局部线性嵌入 训练样本 super-resolution imaging sub-pixel image self-learning Local Linear Embedding(LLE) training set
重庆大学 光电技术与系统教育部重点实验室，重庆 400030
针对局部线性嵌入(LLE)算法易受偏转角度和近邻选取的影响，提出了一种双层LLE(DLLE)的人耳图像识别方法，并结合Gabor小波和DLLE提出了GDLLE。DLLE首先计算各样本与每类样本中心的欧氏距离，再把欧氏距离最小的K类所有样本作为LLE的近邻，提取出鉴别特征，最后由最近近邻分类器对鉴别特征进行分类。在USTB3人耳图像库上的实验结果表明，本文提出DLLE能够减小偏转角度和近邻对LLE算法的影响，结合Gabor小波后进一步改善了算法的识别率。
人耳识别 Gabor小波 最近邻分类器 ear recognition LLE LLE Gabor wavelets nearest neighbor classifier
重庆大学 光电技术及系统教育部重点实验室, 重庆 400044
传统的局部线性嵌入(LLE)算法需用欧氏距离度量近邻, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能反映数据间的真实空间分布, 导致近邻选取不稳定。针对此问题, 本文提出了相关近邻(CN)LLE(CN-LLE)和相关最近邻分类(CNN)算法。提出的算法首先利用相关系数度量数据间的近邻, 实现更准确的局部重构, 提取鉴别特征; 然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明: 本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%, Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率, 便于更有效地提取同类数据的鉴别特征, 且有更好的稳定性, 故能更有效地实现高光谱遥感数据的地物分类。
高光谱影像分类 流形学习 局部线性嵌入 相关近邻 相关最近邻分类器 hyperspectral image classification manifold learning Locally Linear Embedding (LLE) Correlation Neighbor(CN) Correlation Nearest Neighbor(CNN) classifier
重庆大学光电技术与系统教育部重点实验室, 重庆 400030
局部线性嵌入 (LLE)等流形学习算法中需要通过欧氏距离来度量数据点之间的近邻关系, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能真实反映出图像数据点之间的空间分布情况。针对此问题, 本文提出了融合数据间夹角和欧氏距离度量 LLE近邻和分类的方法。该方法通过融合图像数据间的夹角和欧氏距离来度量图像数据点之间的近邻关系, 寻找 k个近邻点, 实现更有效的局部重构, 提取鉴别特征, 然后用融合了数据间夹角的最近邻分类器对数据进行分类。在 KSC和 Indian Pine高光谱遥感影像数据集上的实验结果表明: 在总体分类精度上, 本文算法比 LLE提升了 1.54%~6.91%。
高光谱影像 流形学习 局部线性嵌入 (LLE) 近邻点 hyperspectral images manifold learning locally linear embedding (LLE) neighbor points
山东大学(威海)机电与信息工程学院, 山东 威海264209
提出一套适用于在海量光谱中快速发现激变变星的方法。 针对SDSS发布的DR8数据, 尝试流型学习方法在海量光谱数据挖掘中的应用。 首先使用非线性局部线性嵌入方法(LLE)对海量光谱数据进行降维, 然后使用人工神经网络对低维数据进行分类, 最后对较少数量的候选体进行人工证认。 实验共发现了6个新的激变变星候选体, 并与传统的PCA方法进行了比较, 验证了LLE方法在天文数据挖掘中的可行性。
激变变星 数据挖掘 光谱 Cataclysmic variables Data mining LLE LLE Spectra
1 华东交通大学机电工程学院, 江西 南昌330013
2 日照职业技术学院机电工程学院, 山东 日照276826
变量筛选策略结合局部线性嵌入(local linear embedding, LLE)理论用于近红外光谱(near infrared spectroscopy, NIRS)定量模型优化。 蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination, MCUVE)和连续投影算法(successive projections algorithm, SPA)以及两者结合的变量筛选策略用于NIRS冗余变量的剔除; 偏最小二乘回归(partial least squares regression, PLSR)和LLE-PLSR用于复杂样品光谱定量模型的构建。 结果表明: MCUVE方法既能有效的提取信息变量, 同时可以提高模型的预测精度; LLE-PLSR可以得到比PLSR方法更加准确的定量分析模型; MCUVE结合LLE-PLSR是一种有效的光谱定量分析方法。
近红外光谱 蒙特卡罗无信息变量消除 连续投影算法 局部线性嵌入 Near infrared spectroscopy (NIRS) Monte carlo uninformation variable elimination (MC Successive projections algorithm (SPA) Local linear embedding (LLE) 光谱学与光谱分析
2012, 32(12): 3208
重庆大学光电技术与系统教育部重点实验室，重庆 400030
通过分析现有人耳识别方法的不足，将局部线性嵌入 (LLE)算法应用于人耳识别。但 LLE算法对近邻点个数 K的依赖性很强，通常 K较大时才能获得良好的降维效果，而计算量也随之增加。为了减弱 LLE算法对 K的依赖，本文对 LLE算法的距离进行了改进，使样本集分布更均匀。在 K值比较小时，改进 LLE就能得到良好的降维效果，在一定程度上扩大了 K的取值范围。改进 LLE算法和原始 LLE算法的人耳识别实验结果表明，改进 LLE能获得更高的识别率，从而验证了该算法的有效性。
生物特征识别技术 人耳识别 改进 LLE biometrics technique ear recognition LLE LLE improved LLE
1 防空兵学院 红外与成像制导技术实验室，河南 郑州，450052
2 73156部队,福建 漳州,363900
针对红外图像对比度低、细节较差，且一般是黑白图像，不适宜于人眼观察，提出一种利用局部线性映射方法(LLE)的红外成像彩色化方法。该方法寻求灰度空间到色彩空间的映射，实现红外图像到彩色红外图像的转变，先将目标红外图像和彩色模板图像转换至YUV颜色空间，分离亮度和色彩信息;然后将目标红外图像的每个像素及邻域像素的灰度值串接成矢量，并均匀从彩色模板图像选取部分像素按相同方法串接成矢量，采用欧氏距离搜索最近邻并计算最佳的匹配系数，经色彩值(即U和V分量)计算将模板图像的彩色传递给目标红外图像后搜索亮度最大值的像素邻域并经自动阈值伪彩色编码处理，突出显示重要目标，得到处理后的彩色红外图像。将算法应用于实验室自主开发的热像仪，算法作用后的红外图像不但有了适于人眼视觉的彩色信息，而且用红、黄等敏感色突出了重点热目标，提高了人眼发现和识别目标的速度，实验结果表明，算法有利于侦察人员长时间的目标观察和识别目标。
伪彩色编码 红外图像 彩色化 LLE LLE Pseudo-color coding infrared image colorization
江南大学 轻工过程先进控制教育部重点实验室， 江苏 无锡 214122
利用高光谱散射图像技术研究了苹果的粉质化无损检测.提出了一种无信息变量消除法和局部线性嵌入相结合的苹果粉质化分类的新方法.经无信息变量消除法筛选后的波段降为全谱的23.5%.将波段选择后的原始图像数据用局部线性嵌入降维作为偏最小二乘判别分析的输入变量并建模.无信息变量消除法与局部线性嵌入相结合算法和局部线性嵌入降维方法得到的粉质化分类测试准确度分别是79.0%和79.0%;无信息变量消除法与平均反射法相结合和平均反射法特征提取得到的是77.4%和75.8%.结果表明，无信息变量消除法与局部线性嵌入想结合的方法可以大大地降低高光谱散射图像的数据量，同时保证了分类准确度，为在线检测、分类和高光谱数据的存储提供了一种实时、有效的方法.
粉质化 高光谱散射图像 无信息变量消除法 局部线性嵌入法 偏最小二乘判别分析 Mealiness Hyperspectral scattering images Uninformative Variables Elimination(UVE) Locally Linear Embedding(LLE) Partial Least Squares Discriminant Analysis(PLSDA)
