基于数据分布规律的分段组合支持向量机研究

在分析数据分布规律的基础上,提出了分段组合支持向量机算法.该算法首先统计数据分布规律,采用k均值聚类计算聚类中心,然后分球形分布、线性二分可分、局部线性二分可分三种情况来组织最小包含最大排除球目标函数、普通核函数、局部线性核函数,从而实现对不同的数据分布采用不同的支持向量机分类决策算法,提高算法的分类性能.     

可变相似性度量的近邻传播聚类

近邻传播(AP)聚类算法面临的一个问题是不适用于多重尺度及任意空间形状的数据聚类处理。该文从数据分布特性的表征出发,提出了一种改进的近邻传播聚类算法AP-VSM (Affinity Propagation based on Variable-Similarity Measure)。首先,综合数据的全局与局部分布特性,设计了一种数据可变相似性度量计算方法,该度量可以有效地反映数据实际聚类的分布特性;然后在传统AP算法框架基础上,构造出基于可变相似性度量的近邻传播聚类算法,从而拓展了传统AP算法的数据处理能力。仿真实验验证了新方法性能优于传统AP算法。     

一种基于Ｃ均值的模糊核聚类图像分割算法

模糊核聚类算法是一种结合无监督聚类和模糊集合概念的图像分割技术,已广泛应用于图像分割领域,但其算法对初值敏感,很大程度上依赖初始聚类中心的选择,并且容易收敛于局部极小值,用于图像分割时,隶属度的计算只考虑了图像中当前的像素探值,而未考虑邻域像素探间的相互关系,故对分割含有噪声图像不理想。故提出了一种改进的模糊核聚类图像分割算法,先通过数据约简,不损失数据聚类结构的前提下对数据进行挖掘,然后在模糊核聚类算法中引入特性核函数,将约简后的数据映射到高维非线性特征空间进行划分,最后再利用表征邻域像素的参数来修正当前空间像素的隶属度。实验结果表明,提出的算法较好地解决了模糊核聚类算法在局部极值处收敛和在迭代过程中出现停滞等问题,最终得到最佳全局聚类,迭代次数降低明显,并具有高鲁棒性、对噪声不敏感的特点。     

抽样子空间约束改进大数据谱聚类算法

在分析经典谱聚目标函数与加权核k-means目标函数等价基础上,设计了一种基于抽样子空间约束的改进大规模数据谱聚类算法,算法通过加权核k-means迭代优化避免矩阵特征分解的大量资源被占用,通过数据抽样及聚类中心的子空间约束,避免全部核矩阵都被使用,从而降低经典算法的时间空间复杂度。理论分析和实验结果表明,改进算法保持与经典算法相近聚类精度,提高了聚类效率,验证了改进算法的有效性。     

GM-APD激光雷达距离像邻域KDE重构

对盖革模式APD激光雷达系统的距离像重构算法进行了研究,设计了一种基于像素邻域核密度估计的重构算法。从系统原理出发,结合探测概率模型研究了距离像重构算法的理论基础。根据系统特点提出了一种基于像素邻域核密度估计的改进算法,并对其原理进行了分析。通过仿真数据对直方图算法和邻域核密度估计算法进行了验证,以距离重构准确率曲线进行了定量评价对比,并进一步将算法应用到真实盖革模式APD激光雷达数据中进行了距离像重构实验。实验结果表明,在低帧数时,基于像素邻域统计核密度估计的重构算法可有效提高距离像重构的效果。     

完全自适应的谱聚类算法

针对谱聚类算法self-tuning的局部尺度参数σ_i会受噪音点影响,进而影响聚类结果,及其所使用的K-means算法的不稳定,对聚类结果的影响,提出两种完全自适应的谱聚类算法SC_SD（Spectral Clustering based on Standard Deviation）和SC_MD（Spectral Clustering based on Mean Distance）,分别定义样本i的标准差、样本i到其余样本的距离均值,为样本i的邻域半径,统计邻域内的样本数,以样本i的邻域标准差为其局部尺度参数,避免样本i的局部尺度参数受噪音点影响,进而影响聚类结果;以方差优化初始聚类中心的SD_K-medoids算法代替K-means算法,克服K-means算法的不稳定,发现数据的真实分布.UCI数据集和人工数据集实验测试表明,提出的SC_SD和SC_MD算法能得到更优聚类结果,不受噪音点影响,有很好的伸缩性.提出的SC_SD和SC_MD能完全自适应地发现数据集的真实分布信息,尤其SC_MD算法很适合较大规模数据集的聚类分析.     

一种基于改进谱聚类的雷达信号分选算法

针对雷达信号分选中辐射源数目不确定、脉冲数据分布形式复杂、对噪声影响敏感等问题,提出了一种基于改进谱聚类联合数据场理论的聚类分选算法。该算法首先利用数据场理论对数据进行预处理,根据势值大小实现干扰点的去除,并利用势心的数目确定初始聚类数,然后再利用网格密度划分得到合理的地标点,最后再基于地标稀疏表示的谱聚类算法完成聚类分选。通过设置两组类型不同的脉冲信号数据进行仿真实验,分选正确率均达到95%以上,验证了该算法具有较高准确率和鲁棒性。     

基于近邻传播聚类与核匹配追踪的遥感图像目标识别方法

核匹配追踪算法在生成函数字典的过程中常采用贪婪算法进行全局最优搜索,导致算法学习时间过长。该文针对这一缺陷,提出一种基于近邻传播(Affinity Propagation, AP)聚类与核匹配追踪相结合的分类方法(AP-Kernel Matching Pursuit, AP-KMP),该方法利用聚类算法来优化核匹配追踪算法中的字典划分过程,使用近邻传播聚类将目标数据集划分为若干小型字典空间,随后KMP算法在小型字典空间进行局部搜索,从而缩短学习时间。针对部分UCI数据集和遥感图像数据集,分别采用AP-KMP算法与另4种经典算法进行分类比较实验,结果表明该文算法在时间开销和分类性能上均有一定的优越性。     

基于局部密度构造相似矩阵的谱聚类算法

依据样本数据点分布的局部和全局一致性特征,提出了一种基于局部密度构造相似矩阵的谱聚类算法。首先通过分析样本数据点的分布特性给出了局部密度定义,根据样本点的局部密度对样本点集由密到疏排序,并按照设计的连接策略构建无向图;然后以GN算法思想为参考,给出了一种基于边介数的权值矩阵计算方法,经过数据转换得到谱聚类相似矩阵;最后通过第一个极大本征间隙出现的位置来确定类个数,并利用经典聚类方法对特征向量空间中的数据点进行聚类。通过人工仿真数据集和UCI数据集进行测试,实验结果表明本文谱聚类算法具有较好的顽健性。     

高维数据集中局部离散文本数据挖掘方法研究

提出利用基于多目标优化软子空间聚类理论的关联规则数据挖掘方法对高维数据集中局部离散文本数据实现数据特征有效挖掘。首先,利用多目标优化软子空间聚类思想结合非支配排序遗传理论优化加权类内紧致及加权类间分离函数,获取优化后的目标函数及非占优Pareto最优解集,运用加权子空间划分方法对最优解集完成特征聚类;其次,基于关联规则思想运用一种特征提取和关联文本的识别方法,对聚类后的文本特征进行文本间及文本内部的特征识别和分类,即实现了文本信息数据的有效挖掘。实验证明,利用多目标优化软子空间聚类数据挖掘方法可以有效实现高维集中局部离散文本数据的挖掘。     

一种基于密度均值的谱聚类算法

传统谱聚类算法在构造相似度矩阵时,高斯核函数参数选取的无规律性会对聚类结果造成严重影响。针对的这一缺陷,提出一种基于密度均值的谱聚类算法。与传统算法不同,该算法选取样本点到周围K个样本点的平均距离作为尺度参数,并引入样本点的密度信息,使得聚类结果更符合实际样本的分布。同时,由于相似矩阵能自适应不同的局部密度,使得该算法对样本的空间分布并不敏感。在不同类型数据集上的实验验证了算法的有效性和较高的鲁棒性。     

基于核密度估计的红外目标提取方法

提出了有效集成灰度、空间关系和局部标准差信息的新的核密度估计方案,据此设计了一种基于核密度估计的红外目标提取方法,即首先将图像分块,根据块的统计特征获得包含整个目标的约束区域;然后对目标约束区域和相应的背景采样区域进行核密度估计,这里背景采样区域指的是围绕着目标但又不包含目标的图像区域,由目标约束区域向外扩展而形成;最终通过对两种核密度估计对比的阈值判断即能获得所提取的目标.实验验证了所提出的算法简单有效.     

改进的模糊核C-均值算法

将核方法的思想推广到模糊C-均值算法，提出一种改进的模糊核C-均值算法。改进的模糊核C-均值算法较以前的模糊核C-均值方法有更好的鲁棒性，不但可以在有野值存在的情况下得到较好的聚类结果．而且因为放松的隶属度条件，使最终聚类结果对预先确定的聚类数目不十分敏感。改进的模糊核C-均值算法在多种数据结构条件下可以有效地进行聚类。     

多分类器融合的快速高维特征聚类图像分割

提出一种多分类器融合的快速高维特征聚类图像分割方法,将图像高维特征数据的分类分解为基于灰度(颜色)特征的最佳模糊分类以及基于空域约束的统计分类等多个低维特征数据的分类.通过多分类器融合的方法将不同分类器得到的分类结果进行优化整合,得到最后的分类结果.实验证明:与其它图像分类算法相比,该方法拥有更好的分割性能并大大提高了计算速度,最大限度地保证了分割算法计算的简单有效性.     

基于局部平滑加权图割方法的SAR图像分割

针对合成孔径雷达(SAR)图像分割,提出了一种 局部平滑加权图割(LSWGC,local smoothing weighted graph cut)模型。首先,在加权图割(WGCut)的目标函数中加入局部平滑罚项,提高了基于谱 聚类的SAR 图像分割方法对斑点噪声的稳健性,抑制了SAR图像分割中孤立点的产生;其次,利用WGCut 与加权核 K均值(WKKM)的等价性,LSWGC以不同于参数核 图割(PKGC)方法的核化方式将核映射引入目标函数中,用图 割最优化算法求解标号函数,避免了基于谱聚类的SAR图像分割方法中图谱的求解问题,同 时改善了PKGC方法二类划分易丢失目标的不足。模拟和真实SAR图像的实验结果证实 了本文方案的有效性。     

融入局部信息的直觉模糊核聚类图像分割算法

针对传统直觉模糊C均值聚类(Intuitionistic Fuzzy C-means,IFCM)的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善分类数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,优化直觉模糊隶属度的计算方法,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类(Fuzzy C-means,FCM)、模糊核均值聚类(Kernel-based fuzzy c-means,KFCM)）、引入空间信息的直觉模糊C均值聚类(Intuitionistic Fuzzy C-means with spatial constraints ,IFCM-S)、模糊空间聚类(Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类(Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。      

核空间自适应非局部均值鲁棒分割算法

为改善传统模糊C均值(FCM)算 法对噪声干扰下图像的分割效果,提出了一种基于核空间邻域信息和自适应非局部均值相结 合的图像鲁棒分割算法。首先,利用传统FCM聚类算法进行初始聚类分割,将 所得聚类中心作为改进算法的初始聚类中心; 其次通过自适应非局部均值算法对图像进行平滑处理,避免图像过度分割;然后对引入核空 间邻域信息的目标函数进行最优化求解, 获取聚类中心和隶属度的迭代表达式;最后对像素进行分类时,利用邻域像素隶属度对像素 进行进一步滤波处理。实验结果表明:本文的 改进算法与传统FCM聚类算法、核空间FCM(KFCM)算法、基于邻域信息的FCM(FCM S)算法和基 于邻域信息KFCM(KFCM-S)算法相比,改进算法对强噪声干扰下的图像具有较好 的鲁棒性,并且能够有效分割图像的目标信 息和背景信息。从几种算法进行聚类分割结果所对应的峰值信噪比(PSNR)也可以看出,本文 改进算法的PSNR更高。     

马尔可夫化的多尺度FCM在影像分割中的应用

为了同时处理影像分割问题中的随机性与模糊性,提出了一种多尺度(MR,multi-resolu-tion,马尔可夫随机场(MRF,markov random field)模型下的模糊C均值(FCM,fuzzy C-means)聚类分割算法(MR-MRF-FCM)。利用FCM算法能够处理影像模糊性的优点、MRF模型描述空间关系的长处以及小波的多尺度分析的优点,先对影像进行多尺度小波分解,并对小波系数建立MRF,进而用MR-MRF中的条件概率矩阵代替FCM算法的隶属度矩阵。实验结果从视觉效果和定量指标两方面表明,本文方法优于经典的MRF、多尺度MRF、FCM和核FCM等方法。     

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。