基于弧度距离的时间序列相似度量

时间序列的近似表示和相似度量是时间序列数据挖掘的重要任务之一,是进行相似匹配的关键。该文针对现有的各种基于分段线性表示(Piecewise Linear Representation,PLR)相似度量方法存在的序列长度依赖和多分辨率条件下的潜在识别误差等缺点,提出了一种序列分段线性弧度表示和基于弧度距离的相似度量方法,实现了序列的快速在线分割和相似度计算。该方法简洁直观,利用分段弧度对分段趋势进行细粒度划分来保留序列主要形态特征,有效地提高了度量结果的准确性和多分辨率条件下的稳定性。该方法具有序列分割算法独立性特点,可用于时间序列的相似查询、模式匹配、分类和聚类。     

一种基于增量式时间序列和最佳任务调度的Web数据聚类算法

为了实现Web服务请求数据的快速聚类,并提高聚类的准确率,提出一种基于增量式时间序列和最佳任务调度的Web数据聚类算法。该算法进行了Web数据在时间序列上的聚类定义,并采用增量式时间序列聚类方法。先通过数据压缩形式降低Web数据的复杂性,再进行基于服务时间相似性的时间序列数据聚类;最后针对Web集群服务的最佳服务任务调度问题,通过以服务器执行能力为标准来分配服务任务。仿真实验结果表明,相比基于网格的高维数据层次聚类算法和基于增量学习的多目标模糊聚类算法,该文的算法在聚类时间、聚类精度、服务执行成功率、聚类失真度上均获得了更好的性能。     

针对时间序列多步预测的聚类隐马尔科夫模型

时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高.     

一种基于符号化的时间序列预测方法

本文提出一种基于符号化方法对时间序列进行预测。该方法利用矢量拟合来表达时间序列走势的形态，采用聚类算法对形态进行聚类，根据聚类结果得到符号序列，并用不完全抽取方法来抽取序列模式。预测时，根据学习得到的模式集对新序列做出预测分析。对导航位置误差数据实验表明，该方法可以对时间序列进行较好预测。     

电力线激光点云的分割及安全检测研究

为了进行高压输电线路安全检测分析，基于机载激光雷达（LiDAR）电力走廊数据，提出了一种基于密度的空间聚类方法（DBSCAN）的电力线激光点云单条分割提取算法。通过该方法可以实现输电走廊中单条电力线的快速分割提取。首先对电力线点云在x-O-y平面上投影，对投影后的激光点采用最小二乘法进行直线拟合；其次通过计算输电走廊长度，采用经验参量进行电力线点云分段；再次对分段点云在投影平面内进行DBSCAN聚类；最后将分段聚类结果类别归一化，得到单条电力线激光点云数据。结果表明，采用该方法能够在只需经验参量分段宽度的情况下，快速准确地对电力线激光点云进行分割提取，并根据分割结果进行电力线与电力走廊地物距离计算，判断危险点类型及距离。所提出的方法具有较高的提取与测量精度，能够有效地应用于电力线安全检测分析。     

改进密度峰聚类的walsh码软扩频盲解扩

针对walsh码软扩频信号盲解扩问题,提出一种改进密度峰聚类算法。该算法在已知伪码周期和码片速率的前提下,对接收数据进行分段处理,得到数据矩阵,随后计算数据点的局部密度和距离较高局部密度数据点的最短距离,最后的采用自动确定聚类中心的密度峰聚类算法估计伪码序列规模数和伪码序列。该算法具有在较低信噪比条件下,实现walsh码软扩频信号盲解扩的特点。仿真结果表明,在信噪比较低时,本文算法能够准确估计伪码序列规模数和伪码序列,且时间复杂度较低。      

信息序列盲估计的一种新实现

提出的盲序列估计（ Ｂ Ｓ Ｅ）算法新实现仅利用信息符号的前几个估计来恢复当前信息,它与观察序列的长度无关,因而实现符号估计所需的运算量较低,便于数据的实时处理。仿真结果表明了该方法的有效性。     

一种用于雷达目标识别的新型径向基函数网络

在分析径向基函数网络（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎＮｅｔｗｏｒｋ，ＲＢＦＮ）的基础上，提出了一种更适合于目标识别的基于模糊聚类的径向基函数网络（ＦｕｚｚｙＣｌｕｓｔｅｒｉｎｇＢａｓｅｄＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎＮｅｔｗｏｒｋ，ＦＣＢＲＢＦＮ）。这种网络利用模糊聚类方法，根据训练样本的空间分布确定网络的结构，利用聚类结果中的隶属度函数值控制高斯核函数形状参数。理论分析还表明，此径向基函数网络具有比一般径向基函数网络更强的泛化能力。利用一种战场侦察雷达获取的回波数据进行实验，结果表明，基于模糊聚类的该径向基函数网络的分类结果优于一般径向基函数网络。     

基于谱聚类的高阶模糊时序自适应预测方法

结合数据特征及分布特点提出一种基于谱聚类的模糊时间序列自适应预测方法。首先基于谱聚类的思想,根据样本数据特征获取其所属论域的个数及范围,实现向模糊时间序列的自适应转化;然后基于Markov概率模型表示模糊时间序列中的模糊关系,从而对多步模糊关系、高阶模糊关系及模糊关系的稳态进行求解;最后获取预测值的可能模糊状态,进而利用去模糊化方法将其还原为预测值。在真实以及人工时间序列数据上的实验表明了所提方法的合理性与有效性。     

时间约束NMF算法及其在脑动态功能网络降维中的应用

为了保证高维数据中的时间属性在降维过程中得以保持,提出了一种时间约束非负矩阵分解算法（Time constraint Non-negative Matrix Factorization,TNMF）。该算法通过融合时间序列信息、数据维度,分解误差等约束条件,共同构建时间属性约束模型,计算最优基矩阵维度,能在降维的同时最大限度地保留原始高维数据的空间结构和时间序列信息。将其用于脑动态功能网络降维的实验结果表明,该算法在时间特征提取、聚类可视化效果和聚类指标上明显优于目前常用的降维聚类算法。      

Lip image segmentation using fuzzy clustering incorporating an elliptic shape function

Recently, lip image analysis has received much attention because its visual information is shown to provide improvement for speech recognition and speaker authentication. Lip image segmentation plays an important role in lip image analysis. In this paper, a new fuzzy clustering method for lip image segmentation is presented. This clustering method takes both the color information and the spatial distance into account while most of the current clustering methods only deal with the former. In this method, a new dissimilarity measure, which integrates the color dissimilarity and the spatial distance in terms of an elliptic shape function, is introduced. Because of the presence of the elliptic shape function, the new measure is able to differentiate the pixels having similar color information but located in different regions. A new iterative algorithm for the determination of the membership and centroid for each class is derived, which is shown to provide good differentiation between the lip region and the nonlip region. Experimental results show that the new algorithm yields better membership distribution and lip shape than the standard fuzzy c-means algorithm and four other methods investigated in the paper.     

基于图像分解的稀疏正则化多区域图像分割方法

针对图像具有不同特征的成分,提出一种基于图像分解的多区域图像分割模型和算法.首先将图像分解项引入到图像分割模型中,递减了纹理和噪声对分割的影响;其次使用稀疏正则化方法保持分割区域的边缘几何结构;最后基于增广Lagrange乘子法,给出一种由扩散流引导的小波迭代阈值图像分割算法.一系列实验结果表明,提出的方法抗干扰能力强,对噪声具有更好的鲁棒性.提出的方法不仅能够分割结构图像,并且能够分割较复杂的纹理图像.     

基于多种图像分割方法的法医损伤面积计算

目的：本文通过多种图像分割技术将损伤区域准确地标记出来,并计算出法医图像的损伤区域面积。方法：利用图像分割方法分割目标和背景,然后用数学形态学处理来消除分割带来的空洞和毛刺,最后通过比较4种基于区域分割的方法,给出了计算法医损伤面积的最佳方法。结果：迭代阈值、最大类间方差法和K-均值聚类3种分割方法都能较好地实现损伤图...     

基于Contourlet域图谱聚类和多尺度Markov模型的多光谱遥感图像分割

针对多光谱遥感图像的特点,结合图谱聚类、Co ntourlet系数分布的统计特性和多尺度Markov模型, 提出了一种基于Contourlet域图谱聚类和多尺度Markov模型的分割(CSCMMS)方法。首先对 待分割图像进行Contourlet变换,利用图谱聚类对最粗尺度低频图像聚类得到可靠的初始分 割结果;然后 利用互信息构造Contourlet域的多尺度Markov模型,结合多尺度、多方向的图像信息将低频 图像的初始分 割结果逐尺度传递到最细尺度,得到原始图像的分割。对合成图像和多光谱遥感图像的实验 结果表明,提 出方法在边缘信息保持和噪声敏感性上具有明显改进,错分率和运算时间进一步降低。     

基于非负矩阵分解的谱聚类集成SAR图像分割

 本文提出了一种新颖的基于非负矩阵分解的谱聚类集成SAR图像分割框架.首先,个体分割结果的产生采用基于Nystrom逼近的谱聚类方法,使用不同的尺度参数,得到具有差异性的个体分割结果;其次,使用非负矩阵分解的方法来合并这些个体分割结果,使用非负矩阵分解方法的优点在于其合乎人类大脑感知的直观体验,并具有明确的物理含义;最后,根据合并得到的像素点隶属度关系得到SAR图像分割结果.为了验证本文方法的有效性,对3幅纹理图像和4幅SAR图像进行分割实验,并对比K-means方法、基于Nystrom逼近的谱聚类方法、Meta-clustering方法,本文的方法无论是定性还是定量分析都是较好的,并具有一定的实用性.     

甲状腺结节超声图像分割算法研究

超声甲状腺结节分割是发现与识别甲状腺良恶性肿瘤的关键技术之一.针对模糊聚类法无法准确分割超声图像甲状腺结节边缘,而局部拟合(RSF)模型法对手动初始化轮廓敏感的问题,提出一种融合空间约束模糊C均值聚类和局部拟合RSF模型的分割结节方法.用空间约束模糊C均值聚类法(SKFCM)对图像进行聚类并二值化聚类结果作为RSF模型法初始轮廓,克服了RSF模型法对初始轮廓敏感问题,水平集演化参数也将通过聚类结果自动给出,不再需要人为设定.同时改进了RSF模型法拟合项,并利用高斯正则化规则RSF模型水平集,提高了RSF模型演化效率,缩短了收敛时间.仿真实验结果表明,提出的甲状腺结节超声图像分割方法能够快速准确地分割出结节区域.     

基于梯度的极化SAR图像超像素分割

超像素分割在图像分割领域以其优异的性能表现被广泛应用,准确性和高效性是评价分割性能的重要指标.简单线性迭代聚类（simple linear iterative clustering,SLIC）方法在光学图像上表现出了优异的性能,在极化合成孔径雷达（synthetic aperture radar,SAR）图像中也被广泛应用,然而SLIC方法中的初始化步骤不能准确地定位类中心,需要多次的迭代纠正误差.改进的分水岭方法（spatial constrained watershed,SCoW）是一种基于梯度阈值区分的简单且高效的分割方法,但是不能直接用于极化SAR图像.本文受SCoW的启发,提出一种对SLIC进行预处理的分割方法,通过横虚警（constant false alarm rate,CFAR）边缘检测器计算得到极化SAR图像的梯度信息,并将梯度信息用于初始化分割.基于两幅实测极化SAR图像,将本文提出方法与其他三种方法对比.实验表明本文方法可以减少整个算法的迭代次数,得到更加符合图像信息、贴合图像边界的分割结果.     

基于模糊熵聚类和改进粒子群的MRI脑图像分割研究

现有医学图像生成过程中无法回避噪声的引入,而目前还未有较好的算法对高噪声的MRI医学图像进行分割,分割归属于聚类问题,聚类常用的方法是模糊聚类,但模糊聚类需要解决对噪声和初始化敏感的问题,提出了一种基于模糊熵聚类和粒子群优化算法的MRI脑图像分割算法。首先在模糊熵聚类算法的基础上进行改进,设计了一种利用邻域空间信息的核化模糊熵聚类的新目标函数,然后提出一种基于改进粒子群优化的新算法,最后通过最优化目标函数对MRI图像的白质、灰质和脑脊液进行分割。选取蒙特利尔神经学研究所数据库中的MRI脑图像,将所提出的算法与现有的几种聚类分割算法进行比较,仿真实验结果表明,所提出算法能够解决模糊聚类对噪声和初始化敏感的问题,实现了对高噪声MRI图像的精确分割。     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。