基于有意义串聚类的微博热点话题发现方法

针对微博数据特征稀疏、内容碎片化的特点,提出一种基于有意义串聚类的热点话题发现方法。结合重复串计算、上下文邻接分析和语言规则过滤多种策略,提取能够表达独立完整语义的有意义串,并将微博数据建模在相对较小的有意义串空间,通过聚类产生候选话题,根据热度排序发现热点话题。微博数据实验结果表明,该方法在一定程度上实现对微博高维稀疏空间的降维,对于微博空间的热点话题发现有效可行。     

Level set formulation for automatic medical image segmentation based on fuzzy clustering

The level set method is widely used in medical image segmentation, in which the performance is seriously subject to the initialization and parameters configuration. An automatic segmentation method was proposed in this paper, which integrates fuzzy clustering with level set method through a dynamic constrained term in the new energy functional. It is able to use the results of fuzzy clustering directly, which can control the level set evolution. Moreover, the added constrained term is changing continuously until getting the final results. Such algorithm eliminates the manual operation a lot and leads to more robust segmentation results. With the split Bregman method, the minimization of the new energy functional is fast. The proposed algorithm was tested on some medical images and also compared with other level set models and the state-of-the-art method such as U-Net. The quantitative and qualitative experimental results show its effectiveness and obvious improvement for medical image segmentation.     

基于网页结构与链接关系的中文文本分类方法

提出一种通过综合考虑网页的HTML结构信息以及网页间的链接关系,修改网页文本在向量空间模型表示中的权值,对网页进行分类的方法。考虑到页面里处在不同HTML标记下的内容具有不同的语义含义,某些特殊标记下的内容具有较重要的意义,对网页的分类起较大的作用,因此对不同标记下的内容赋以不同的权值,可以提高分类效果。考虑到页面正文中链接指向的页面内容与原网页相关度较高,通过综合考虑这些页面的内容,可以有效加强类别关键词的权值,减少噪声,提高分类效果。经过实验证明这一方法提高了分类结果的F1值。     

基于改进自调整图谱方法的SAR图像分割

谱聚类是在给定数据集上用基于图论的方法进行分类,并已广泛地应用于SAR图像分割.自调整谱聚类（self-tuning spectral clustering,简称STSC）方法是一种可以自动确定尺度因子和分类数的方法.本文给出了一种改进的STSC方法,使用熵函数作为自动求分类数的代价函数,使得分类数的计算更加准确和有效,提高了方法的分类精度.实验表明,改进的STSC方法对自然图像、SAR图像的分割精度高于原STSC方法.     

SAR图像的自动分割方法研究

由于存在相干斑噪声的影响，给SAR图像分割造成很大的困难，该文提出了一种SAR图像的自动分割方法。首先在特征提取阶段，通过计算小波能量提取纹理信息，用邻域统计量提取灰度信息，用保边缘平均灰度提取边缘信息，以确保边缘准确。然后提出一种改进的完会无监督的聚类算法进行图像分割，该算法可以自动确定分割的类型数目。由于该方法充分考虑了SAR图像的纹理、灰度和边缘信息，因而极大地提高了其最终分割性能。实验结果证明了该方法的有效性。     

CMDC:an iterative algorithm for complementary multi-view document clustering

In response to the problems traditional multi-view document clustering methods separate the multi-view document representation from the clustering process and ignore the complementary characteristics of multi-view document clustering,an iterative algorithm for complementary multi-view document clustering——CMDC was proposed,in which the multi-view document clustering process and the multi-view feature adjustment were conducted in a mutually unified manner.In CMDC algorithm,complementary text documents were selected from the clustering results to aid adjusting the contribution of view features via learning a local measurement metric of each document view.The complementary text document of the results among the dimensionality clusters was selected by CMDC,and used to promote the feature tuning of the clusters.The partition consistency of the multi-dimensional document clustering was solved by the measure consistency of the dimensions.Experimental results show that CMDC effectively improves multi-dimensional clustering performance.     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

结合图像灰度信息和空间信息的有意义区域分割

本文提出了一种应用图像灰度信息和空间信息的分割方法.首先利用快速的优化分水岭算法将图像分成多个小区域;其次,计算每一个小区域的特性参数,并确定各个区域之间的拓扑关系;最后用模糊C-均值聚类算法根据区域的灰度特性及空间特性进行归类,获取最终的分割结果.结果显示,该方法与阈值化模糊C-均值聚类算法相比,分割结果更加有意义,而且速度也有极大地提高.     

一种多类原型模糊聚类的初始化方法

模糊聚类是非监督模式分类的一个重要分支,在模式识别和图像处理中已经得到了广泛的应用,但现有模糊聚类算法大都需要聚类数的先验知识,而且对初始化极为敏感,从而限制了它们的实际应用。此外对于多类原型样本集的聚类分析,还需要事先已知原型的类型及相应数目。为了克服这些限制,本文提出一种聚类原型先验知识的获取方法,并用来初始化多类原型模糊聚类,取得了效好的效果。