利用边信息的混合距离学习算法

使用边信息进行距离学习的方法在许多数据挖掘应用中占有重要位置,而传统的距离学习算法通常使用马氏距离形式的距离函数从而具有一定的局限性。提出了一种基于混合距离进行距离学习的方法,数据集的未知距离度量被表示为若干候选距离的线性组合,利用数据的边信息学习得到各距离所占权值从而得到新的距离函数,并将该距离函数应用于聚类算法以验证其有效性。通过与其他已有的距离学习方法进行对比,基于UCI(University of California,Irvine)数据集的实验结果证明了该算法具有明显的优势。     

一种人脸表情分类的新方法——Manhattan距离

提出了一种利用Manhattan距离进行人脸表情分类的新方法。Manhattan距离计算出具有不同模式的两个对象的距离更大。在实验中,比较了Manhattan距离、欧氏距离、余弦距离在人脸表情分类中的性能,得出Manhattan距离比另外两类距离有着更好的识别效果。     

基于编辑距离的Web数据挖掘

Div+CSS流行于Web页面的布局,在这种布局下,网页中很多数据记录以重复结构的形式聚集在一个层级。为了更好地从网页中挖掘数据,提出了一种新的Web数据挖掘算法,把树编辑距离转化为字符串编辑距离的计算,改进字符串编辑距离算法,利用字符串编辑距离评价树的相似度,进而找到网页中的重复模式,提取数据。通过针对不同重复模式特征的网页的实验说明,基于编辑距离的Web数据挖掘算法不仅能提取具有根节点及上面几层相同的网页的数据,对具有底层节点相同的网页也是有效的。     

基于类别距离和Bhattacharyya距离的雷达信号特征评价

从瞬时自相关法、小波变换法和时频原子法提取的脉内特征比较分析入手,提出了一种新的最优特征评价准则。以类内距离、类间距离和Bhattacharyya距离为基础,从特征的空间分布和错误识别率的上界等方面对不同算法提取出的脉内特征进行分析,实现了最优特征的选择。实验的仿真结果表明,这种最优特征评价准则是有效的,为雷达辐射源信号的特征评价提供了有意义的参考。     

统一化的快速距离变换

距离变换是图象处理和分析的有效工具，是关于图象是全局操作，为了避免庞大的计算量，人们通常采用将全局操作分解成局部操作的策略，但是这种分解策略只能产生近似的欧氏距离，本文提出了一种统一的化的距离变换算法，它不需要并行处理硬件的支持就能快速实现距离变换心最近特征变变换，对于使用不同的距离测度函数，仅需要调整距离查找表，而算法本身不用做任何改动，本文最后给出算法分析和实验结果。     

医学图像快速插值算法的设计与实现

研究医学图像,针对断层间距影响像素间距、图像轮廓粗糙问题,采用图像捕值算法可以解决医学像三维重建模型的轮廓粗糙、呈阶梯状的问题,但是传统插值算法的运算量大,加之医学图像序列包含的图像多、图像本身比较大,处理起来需要耗费大量的时间,未能在医学图像三维承建领域得到广泛应用.为了提高分辨率和快速性,提出一种基于距离变换的图像插值优化算法.算法依据图像的相似性信息,极大地减少了参与计算的像素点,同时采用一种快速的距离计算方法.避免了乘法和开方运算,使得算法效率大幅提高.将优化算法应用于医学图像序列中进行仿真,结果表明,生成的插值图像边界清晰、过渡平滑,与传统算法相比所需的时间减少了60%以上.证明改进的算法可有效地解决传统算法的效率问题,为医学图像研究提供了科学依据.     

基于2k-距离的孤立点算法研究

孤立点检测一直是数据挖掘中一个活跃的领域,如信用卡欺诈,入侵检测等。在这些应用领域中研究孤立点的异常行为能够发现隐藏在数据集中更有价值的知识。文章介绍了相关概念,分析了几类有代表性的算法。最后,给出了一个判定孤立点的新的定义,并按此定义进行了检测,用实际数据进行了实验。实验结果表明,该算法能够能够有效地检测出孤立点。     

改进的边界距离变换算法在虚拟内窥镜中应用

为提高虚拟内窥镜实现中提取中心路径的时间效率,改善虚拟内窥镜的实时漫游,边界距离变换算法是提取中心路径的常用算法.上述算法在建立边界距离场和源距离场时非常耗时,故实时性很差.针对建立两个场非常耗时的缺点,提出定义超大数组,建立体素点ID值和体素点在体素点集中位置的一一对应关系,减少在确定体素点位置时对体素集的扫描次数,从而提高算法的效率.实验结果表明,改进后的算法时间效率高,实时漫游效果好,速度快,提取的中心路径漫游效果好,实现了虚拟漫游效果,具有一定的实际应用与理论研究价值.     

基于总体距离最小的多用户偏好信息融合算法的研究

信息融合是人工智能和知识库领域的一个关键问题。文章根据Dalal提出的距离概念犤1犦定义了多用户偏好信息的融合,提出并证明了一组相关定理,以这些定理为基础可以简洁地得到融合的结果,并在Dalal定义的距离的基础上将距离的定义一般化,提出了不对称距离的概念。现实表明,对于多用户偏好信息的融合,利用不对称距离可以得到更合理的融合结果,这个结果更加符合人们的通常心理。     

基于图搜索A*算法的估价函数比较

简单介绍了基于图搜索A*算法原理,把该算法与常见的估价函数:曼哈顿距离、对角线距离、欧几里德距离等结合,将其应用于肺部图像的边缘跟踪中,较系统地总结出选择估价函数的原则及其各优缺点,这将更有效地完成边缘跟踪的过程。