由于三维荧光光谱技术选择性好、 灵敏度高、 测试快速等优点目前已在众多领域中被广泛应用。 中药药性理论是中药的核心基础理论, 是中药学的特色理论之一, 中药药性的客观化判别是中医药现代化研究的关键问题。 中药中大部分分子具备产生荧光的能力, 因而, 针对中药三维荧光光谱特征, 从中药药性的角度对中药进行分类识别研究。 利用FS920型稳态荧光光谱仪测得5组不同浓度的23味寒温类中药溶液制剂的三维荧光光谱数据, 获取样本的等高线图和三维荧光光谱图; 分析不同样本不同激发波长和发射波长范围存在噪声的基础上, 应用集合经验模态分解算法(EEMD)对光谱图进行降噪预处理; 基于局部线性嵌入算法(LLE)对光谱数据进行特征提取, 分析近邻点数k=12, 本征维数d=7时得到的特征向量, 结果表明不同浓度的寒性药在PC4和PC6的特征值变化明显, 不同浓度的温性药在PC1, PC2, PC4和PC7的特征值变化明显, 且浓度越高特征值都有下降趋势。 将提取的特征向量输入到随机森林(RF)中, 构建LLE-RF分类模型, 分析不同参数时LLE-RF分类模型对寒温类中药荧光光谱数据的分类效果, 设置RF分类器中训练集和测试集的样本比例分别为3∶1和2∶1, 即训练集的比重r分别为3/4和2/3, 分析LLE中近邻点数k取值为7~18, 本征维数d分别取值为6, 7, 8, 9和10时分类正确率。 当近邻点数k=12, 本征维数d=7时LLE-RF模型对中药药性的分类正确率最高, 达到96.6%。 最后比较同一比例r情况下, 采用不同核函数构造SVM分类器对寒温类中药荧光光谱数据分类效果, 当多层感知机作为核函数时, 分类效果最差。 当r=3/4, 径向基作为核函数时, 寒温类中药荧光光谱数据的分类效果最好, 正确率达到82.1%。 分析结果表明, 通过荧光光谱技术与LLE-RF相结合的方法, 能有效的将寒温类中药进行模式识别, 并且分类效果比LLE-SVM更理想。

近红外光谱数据的高维、高冗余、高噪声和非线性的特性严重影响了光谱相似性度量的准确性,针对该问题,提出了一种基于网格划分局部线性嵌入(GGLLE)算法的近红外光谱相似性度量方法。首先,根据关键化学成分在光谱中的表达,将高维光谱数据划分为多个网格子空间。其次,对局部线性嵌入(LLE)算法做了两方面改进,并采用改进的LLE算法依次实现每个子空间从高维空间向低维空间的特征映射,计算生成子空间的相似度矩阵。最后,将子空间相似度矩阵归一化处理并求解所累加和生成光谱样本集的相似度矩阵,实现光谱的相似性度量。实验选取两组某烟草企业提供的烟叶光谱构建了光谱的相似性度量模型,以相似性度量的准确率作为算法优劣的衡量标准。实验结果表明,GGLLE算法构建的相似性度量模型的准确率为93.3%,明显优于主成分分析、栈式自编码器和LLE算法的64.2%、67.5%和82.5%,从而证明了GGLLE算法的有效性。

图像超分辨率的目的是在给定低分辨率图像的基础上产生超分辨率图像。单幅图像超分辨率是个病态和欠定的问题，需要通过样本学习和图像先验约束来重构图像丢失的高频细节。本文提出了一种基于局部线性嵌入的快速单幅图像超分辨率技术。首先，该方法利用大量的自然图像建立高低分辨率图像块样本训练库；其次，运用聚类算法将具有相似性质的高低分辨率样本块进行聚类；再次，基于局部线性嵌入技术，通过样本训练来学习低分辨率图像与高分辨率图像之间的映射函数；最后，用过映射函数来重构高分辨率图像。实验结果表明，本文算法不仅能高质量重构高分辨图像，而且快速高效。

监督局部线性嵌入算法(SLLE)通过数据点的标签信息进行高维数据在低维特征空间的映射, 针对SLLE在均匀化高维数据的分布和最小化重构代价时, 忽略类内偏离总体分布的稀疏离散数据在线性重构过程中可能错误地投影在其他超平面的情形, 引入Kmeans++算法调整样本间距离, 进行最优近邻点的选择, 从而更有效地反映数据在高维空间中的实际分布, 使降维后的数据具备更好的可分性。通过ORL以及Yale人脸数据集上的仿真实验, 结果显示, 该方法具有更强的泛化能力及更高的识别率。

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。

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。

Curvelet 是一种多尺度多方向的图像变换工具，能有效克服小波在表达图像沿边缘奇异特征时的冗余，形成特征的稀疏表达。进一步考虑高维图像可能存在于一个低维流形上，所以提出将曲波提取到的特征应用流形学习处理以发现其低维结构应用于人脸识别。实验表明Curvelet 提取到的特征经LLE 处理后能找到优于LLE 下的流形结构。和已有Gabor 结合流形学习人脸识别的比较研究说明，曲波结合流形学习的方法获得了高于Gabor 结合流形学习的识别率，在Essex 表情库和YaleB 光照库上的实验证明了这一点。

提出了一种新的有监督核局部线性嵌入算法(SKLLE),并将算法应用于面部表情识别中。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息有效地结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入了高维人脸图像空间的低维表情子流形,增强了局部类间的联系,而且对新样本有较好的泛化性。基于JAFFE面部表情库的实验结果表明,该方法能很好地实现维数约简,达到最高识别率(100%)所需的鉴别维数仅为二维,有效地提高了面部表情识别的性能。