一种基于改进的形态学算子的边缘检测算法

本文提出了一种基于改进的形态学算子和多尺度多结构元素思想的边缘检测算法.改进的抗噪型形态学边缘检测算子增强了图像边缘检测时的抗噪能力,采用多尺度和多结构元素构建的边缘检测算法既具有较好的抗噪能力,同时可检测更多边缘方向.实验结果表明,该算法具有较好的抗噪能力,在检测出更多的边缘方向的同时可保留较多的边缘细节,具有较强的...     

自适应的形态学边缘检测算法

针对传统的基于形态学边缘检测算法抗噪能力较差以及易丢失边缘细节的问题,提出一种自适应的抗噪型边缘检测算法。该算法采用多尺度的结构元素进行滤波,根据边缘方向自动选择相应方向的结构元素进行边缘检测以得到更多的边缘细节。实验结果表明,该算法不仅抗噪能力较强,检测到的边缘细节较多,而且还能提高边缘检测效率,是一种有效的边缘检测算法。     

平行四边形的逐级抽象感知提取算法

提出了一种将感知编组应用于平行四边形提取的算法。该算法利用逐级抽象感知的思想，在基于part的形状表达的基础上，使用不确定性推理，达到了结构清晰简单、计算量小、抗噪能力强的效果。实验表明，该算法是一种有效的平行四边形提取算法。     

图像的自适应粗糙集边界检测

粗糙集是解决模糊性、随机性、复杂性和不可分辨性问题的有效工具。利用粗糙集理论,给出了一种基于粗糙集的图像边界检测算法,研究了算法的基本原理、实现和复杂度。实验结果表明该算法在计算速度、抗噪能力、鲁棒性、可控能力和检测效果等方面,均优于其他边界检测算法。     

基于时间序列的模式表示挖掘频繁子模式

论文提出了一种基于时间序列的模式表示挖掘时间序列中频繁子模式的算法(TSFSM)。时间序列的模式表示本身就具有压缩数据、保持时间序列基本形态的功能,并且具有一定的除噪能力。在时间序列的模式表示的基础上挖掘其频繁子模式,可以大大提高挖掘的效率和准确性,达到事半功倍的效果。在该算法中,还使用了一定的剪枝策略,使得算法的时间复杂度进一步降低。并且该算法计算简单,实现方便,可以支持时间序列的动态增长。     

一种具有抗噪性的图像分割方法

基于图论的图像分割方法对有噪声污染的图像必须先进行预处理,算法自身不能抑制噪声。针对该问题,提出一种具有抗噪性的图像分割方法。该方法将图谱划分测度作为划分目标与背景的阈值分割准则,采用基于灰度值的权值矩阵代替基于图像像素个数的权值矩阵,描述像素之间的关联,并在图权计算中增加像素点与其邻域的空间相关信息,以提高算法的抗噪性。实验结果表明,使用该方法进行图像分割具有较好的分割效果,抑制噪声能力较强。     

基于K-SCA假设的欠定盲源分离

传统稀疏算法对信号的稀疏程度要求高、抗噪能力差。针对该问题,从K-SCA假设出发,提出一种基于超平面隶属度函数的欠定盲源分离算法。该函数基于局部统计,具有良好的抗噪性能,适用于噪声和信号稀疏程度较低条件下的信号分离。实验结果表明,相比同类算法,该算法对信号稀疏要求低、分离精度高、容噪能力强。     

一种基于Soft形态学的图像边缘检测算法

概述了软数学形态学的基本原理及形态学在图像边缘检测中的应用.根据软形态学单调性、扩展性和反扩展性等基本理论,成功构造了一种新型软形态边缘检测算法,该算法具有较好的抗噪和边缘提取能力.对一幅加有椒盐噪声的灰度图像的仿真试验结果表明,该方法比传统的基于模板的图像边缘检测算法和标准形态学边缘检测算法具有更好的图像边缘提取效果.     

一种基于Soft形态学的图像边缘检测算法

概述了软数学形态学的基本原理及形态学在图像边缘检测中的应用.根据软形态学单调性、扩展性和反扩展性等基本理论,成功构造了一种新型软形态边缘检测算法,该算法具有较好的抗噪和边缘提取能力.对一幅加有椒盐噪声的灰度图像的仿真试验结果表明,该方法比传统的基于模板的图像边缘检测算法和标准形态学边缘检测算法具有更好的图像边缘提取效果.     

一种结合交叉熵和投影特征的图像匹配算法

基于图像交叉熵的图像匹配方法对于噪声不敏感,并且具有一定的抗几何失真能力,但算法复杂度高,不适合用于实时匹配系统中.而投影变换可将图像的二维灰度降为一维的特征向量,且还具有抗噪性好的特性,因此定义图像的局部交叉投影熵,提出了一种新的图像匹配算法.该算法首先计算模板图的行、列投影;然后计算模板图和实时图的交叉投影熵;最后根据行、列交叉投影矩阵确定出最优匹配坐标.新算法不仅具有较好的抗噪和抗几何失真性能,并且提高了在强光照射及云层遮挡情况下的匹配能力.通过实验仿真并对比局部熵、局部投影熵、局部交叉熵和局部交叉投影熵四种算法的匹配效果,表明该算法不仅匹配效果良好,并且计算速度快,是一种精确而实用的图像匹配方法.     

基于Sequitur的时间序列异步周期模式挖掘

现有的时间序列异步周期模式挖掘方法是在获取1-pattern有效段及周期的基础上再以枚举法得到i-patterns,时间复杂度较高。为解决该问题,提出一种改进的异步周期模式挖掘方法。在时间序列符号化后,使用基于Sequitur的候选模式算法获取候选i-patterns及其事件位置序列,通过基于OEOP的i-patterns有效段生成算法得到1-pattern和i-patterns的有效段及周期,从而生成有效子序列。实验结果表明,该方法具有较高的挖掘效率。     

频繁模式挖掘的约束算法

在频繁模式挖掘过程中能够动态改变约束的算法比较少.提出了一种基于约束的频繁模式挖掘算法MCFP.MCFP首先按照约束的性质来建立频繁模式树,并且只需扫描一遍数据库,然后建立每个项的条件树,挖掘以该项为前缀的最大频繁模式,并用最大模式树来存储,最后根据最大模式来找出所有支持度明确的频繁模式.MCFP算法允许用户在挖掘频繁模式过程中动态地改变约束.实验表明,该算法与iCFP算法相比是很有效的.     

Efficient mining of high utility pattern with considering of rarity and length

Techniques for mining rare patterns have been researched in the association rule mining area because traditional frequent pattern mining methods have to generate a large amount of unnecessary patterns in order to find rare patterns from large databases. One such technique, the multiple minimum support threshold framework was devised to extract rare patterns by using a different minimum item support threshold for each item in a database. Nevertheless, this framework cannot sufficiently reflect environments of the real world. The reason is that it does not consider weights of items, such as market prices of products and fatality rates of diseases, in its mining process. Therefore, an algorithm has been proposed to mine rare patterns with utilities exceeding a user-specified minimum utility by considering rarity and utility information of items. However, since this algorithm employs the concept of traditional high utility pattern mining, patterns’ lengths are not considered for determining utilities of the patterns. If the length of a pattern is sufficiently long, the pattern is more likely to have an enough utility to become a high utility pattern regardless of item utilities within the pattern. Therefore, the algorithm cannot guarantee that all items in a mined pattern have high utilities. In this paper, we propose a novel algorithm that effectively reduces such dependency of patterns on their lengths by considering their lengths in the mining process in order to mine more meaningful rare patterns compared to patterns mined by previous algorithms. Experimental results demonstrate that our algorithm extracts a lesser number of more meaningful patterns and consumes less computational resources compared to state-of-the-art algorithms.     

基于H-tree的多维序列模式挖掘算法

提出了一种基于H-tree的多维序列模式挖掘算法,首先在序列信息中挖掘序列模式,然后针对每个序列模式,根据包含此模式的所有元组中的多维信息构造H-tree树,挖掘出相应的多维模式,从而得到了多维序列模式。该算法将多维分析方法与序列模式挖掘算法有效地结合在一起,当维度较高时具有较高的性能。     

面向电子商务的增量挖掘算法

对商务信息挖掘理论进行了研究，给出了电子商务运作模式的定义、性质、定理及相关证明；提出了一种用于跟踪电子商务活动的数据模型，在模型中定义了网页监控点与商务指标之间的“点-集”映射关系，建立了商务网站的访问事件、网页中事先设定的监控点，以及商务工作流程之间的联系；根据这些研究结果对关联规则挖掘算法中的发现和剪枝过程进行改进，设计了面向电子商务的增量挖掘算法，并在第三方物流信息系统中实现。实践表明，该算法在频繁变化的数据集中的挖掘效率大大高于传统的非增量挖掘算法，基于智能Agent技术的商务信息挖掘模型有效地提高了电子商务的实时跟踪与分析能力。     

时空轨迹序列模式挖掘方法综述

在全球定位、移动通信技术迅速发展的背景下涌现出了海量的时空轨迹数据,这些数据是对移动对象在时空环境下的移动模式和行为特征的真实写照,蕴含了丰富的信息,这些信息对于城市规划、交通管理、服务推荐、位置预测等领域具有重要的应用价值,而时空轨迹数据在这些领域的应用通常需要通过对时空轨迹数据进行序列模式挖掘才能得以实现。时空轨迹序列模式挖掘旨在从时空轨迹数据集中找出频繁出现的序列模式,例如： 位置模式（频繁轨迹、热点区域）、活动周期模式、语义行为模式,从而挖掘时空数据中隐藏的信息。总结近年来时空轨迹序列模式挖掘的研究进展,先介绍时空轨迹序列的数据特点及应用,再描述时空轨迹模式的挖掘过程：从基于时空轨迹序列来挖掘位置模式、周期模式、语义模式这三个方面来介绍该领域的研究情况,最后阐述现有时空轨迹序列模式挖掘方法存在的问题,并展望时空轨迹序列模式挖掘方法未来的发展趋势。     

一种基于图结构挖掘WEB用户访问模式的方法

挖掘Web用户访问模式常用的技术有Web挖掘特有的路径分析技术和数据挖掘领域的传统技术。文章首先分析了现有路径分析技术的不足,然后从Web用户访问模式挖掘过程预处理的结果用户会话文件开始,提出了一种基于Web拓扑结构(图结构)挖掘用户访问模式的方法,提高了发现模式的精确性和效率,并在实验室对该方法进行了简单实现和实际日志数据的测试。     

一种快速挖掘Top-k高效用模式的算法

高效用模式挖掘是数据挖掘领域的一个基础研究方向,其中关于top-k高效用模式的挖掘算法也越来越多,其中k指的是用户需要挖掘的高效用模式的个数。它们可以归纳为两类：二阶段top-k算法和一阶段top-k算法。两者的主要区别是,前者在挖掘的过程中会产生大量的候选模式,这个是影响算法性能的主要因素;后者在挖掘的过程中不产生候选模式。为了更加高效地挖掘效用值最高的k个模式,一阶段算法TKHUP被提出。该算法在进行数据挖掘的过程中主要是通过四个有效策略来减少时间和空间消耗的。通过大量的实验数据表明,TKHUP在时间性能上优于其它top-k高效用模式挖掘算法。     

Improving constrained pattern mining with first-fail-based heuristics

In this paper, we present a general framework to mine patterns with antimonotone constraints. This framework uses a technique that structures the pattern space in a way that facilitates the integration of constraints within the mining process. Furthermore, we also introduce a powerful strategy that uses background information on the data to speed-up the mining process. We illustrate our approach on a popular structured data mining problem, the frequent subgraph mining problem, and show, through experiments on synthetic and real-life data, that this general approach has advantages over state-of-the-art pattern mining algorithms.     

Mining top-k frequent patterns with combination reducing techniques

Top-k frequent pattern mining finds interesting patterns from the highest support to the k-th support. The approach can be effectively applied in numerous fields such as marketing, finance, bio-data analysis, and so on since it does not need constraints by a minimum support threshold. Top-k mining methods use the support of the k-th pattern, not a user-specified minimum support. Thus, the methods conduct mining operations based on very low supports until the k-th pattern is detected. When a low support is used in the mining process, single-paths with numerous items are generated, where the top-k mining algorithm extracts valid patterns by combining the items for each single-path. Therefore, the bigger the number of combinations is, the larger the increase in time and memory consumption is. In this paper, in order to mine top-k frequent patterns more efficiently, we consider converting patterns obtained from single-paths into composite patterns during the mining process and recovering them as the original patterns when the top-k frequent patterns are extracted. For this, we define a new concept, the composite pattern, and propose novel techniques for reducing pattern combinations in the single-path. Two algorithms are introduced in this paper, where the former is CRM (Combination Reducing method), applying our reduction manner, and the latter is CRMN (Combination Reducing method for N-itemset), considering N-itemset, i.e., patterns’ lengths. A performance evaluation shows that CRM and CRMN algorithms can efficiently reduce pattern combinations in single-paths compared to state-of-the-art algorithms. The experimental results also illustrate that our approaches have outstanding performance in terms of runtime, memory, and scalability.