针对海藻三维荧光光谱线性降维方法不理想、模型识别准确率低的问题,提出通过局部线性嵌入(LLE)算法进行降维、通过黄金正弦算法(Gold-SA)对支持向量机(SVM)进行优化来构建分类模型的方法。将LLE算法降维后的海藻三维荧光光谱数据作为SVM的输入,并与其他两种降维方法进行对比。结果显示:LLE算法的降维效果最好,识别准确率最高。为了进一步提高门类识别能力,采用Gold-SA对SVM进行优化并建立Gold-SA-SVM模型,再将其与其他4种分类模型进行对比。结果显示,Gold-SA-SVM模型在分类识别准确率、精准率、召回率和F1分数上都有明显提高,该方法可准确识别抑食金球藻、小球藻、细长聚球藻的门类,可为褐潮研究工作提供有效的参考。

针对室内定位中相邻定位点之间信道状态信息（CSI）指纹特征易模糊和定位算法鲁棒性低等问题，提出了一种基于局部线性嵌入（LLE）和梯度提升决策树（GBDT）的定位算法。离线阶段，首先将经过预处理的幅值和相位作为CSI联合指纹，然后再用LLE降维前用弹性网络（EN）对联合指纹的不同子载波进行加权，既保证了降维后CSI指纹的真实性又增强了其独有的特征，最后用基于果蝇优化算法（FOA）改进的GBDT算法训练降维后的数据以提高CSI指纹的可靠性和稳定性，并建立指纹库。在线阶段，将待测点的联合指纹代入LLE+GBDT算法训练出指纹信息，然后通过与指纹库匹配预测出待测点的物理位置。室内定位实验结果表明，所提算法相较于对比算法具有较高的定位精度和鲁棒性，具有一定的应用价值。

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。

水中过量的硝酸盐会造成部分水生生物难以存活、 引发人类尤其是婴儿患病等危害, 因此硝酸盐浓度成为水质检测中的一项重要指标。 传统的硝酸盐浓度测量方法操作复杂、 反应缓慢, 近年许多研究人员开始通过紫外可见（UV-Vis）光谱技术结合人工神经网络（ANN）的方法对水中硝酸盐的含量进行测量。 提出了一种将流形学习（manifold learning）方法中的局部线性嵌入（LLE）与反向传播神经网络（BPNN）相结合的建模方法, 用以得到硝酸盐光谱曲线与浓度间的关系, 实现对青岛市崂山区小麦岛海水中硝酸盐浓度快速准确的定量分析。 实验选取了过滤后的小麦岛海水配置59组不同浓度的加标溶液, 采用实验室自主研制的光谱分析仪采集这些样本的光谱测量值, 通过标准正态变换（SNV）方法对测得硝酸盐溶液的光谱数据进行校正处理, 有效降低了由仪器本身或环境带来的噪声影响; 选取预处理后的光谱数据的前1 500维处理后进行对比实验, 以解决使用BPNN对全部2 048维数据建模时内存不足的问题, 再通过网格搜索结合十折交叉验证的方法优化LLE中的邻近点数k和嵌入维数d, 得到最优参数值k=15, d=3, 实现对实验数据的降维处理; 通过BPNN将降维后的训练集光谱信息与其对应的浓度信息进行建模, 实现对预测集硝酸盐浓度定量分析, 引入决定系数（R2）和预测均方根误差（RMSEP）评价建模效果, 与直接使用BPNN建模预测的结果比较, 改进方法的R2由0.926 3提升至0.992 8, RMSEP由0.442 5下降到0.280 4, 建模预测程序的运行时间由327 s缩短至0.5 s。 采用这59组数据的全部2 048维进行LLE-BPNN建模时, 得到R2=0.995 7, RMSEP=0.136 5, 在用时相近的前提下, 相比仅使用前1 500维时的建模精度更好。 分析结果表明, LLE-BPNN的方法可实现对海水中硝酸盐浓度的快速预测, 使预测精度得到显著提升, 同时能大幅降低预测时间。

为了使降维结果更好地体现高光谱数据的空间结构信息,并进一步提高分类精度,提出了一种基于线性嵌入和张量流形的高光谱特征提取算法。不同于其他流形结构的表达方法,所提算法采用协同表示理论求解全局线性嵌入的权重矩阵,更有利于保持高维数据的全局信息,提高了流形结构表达的准确性。同时,建立了基于多特征描述的张量流形降维框架,得到的显式映射具有较强的可靠性和全局适应性。实验结果表明:与主成分分析、局部线性嵌入、拉普拉斯特征映射和线性保留投影等算法相比,所提算法表现出了更优越的分类性能。

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。

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。 为了能够实现鸡蛋新鲜度的快速无损检测, 利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线, 与鸡蛋的哈夫单位值进行了定量分析。 通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型, 比较了不同模型的预测结果, 发现一阶微分结合SVR能够实现较好地预测, 且利用SVR建模要优于PLSR。 为了提高运算效率, 减少无用信息对建模的不良影响, 分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维, 比较两种降维方法的预测效果, 得出了LLE降维要优于PCA降维, 其训练集和预测集的相关系数与均方根误差分别为92.2%, 7.21和91.1%, 8.80, 训练集交叉验证的均方根误差相比减少了0.79。 实验结果表明, 利用局部线性嵌入结合支持向量回归进行非线性建模, 能够提高鸡蛋新鲜度的预测能力, 表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。

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。