云计算环境下高复杂度动态数据的增量密度快速聚类算法研究

针对传统的聚类算法存在开销大、聚类质量差、聚类速度慢等问题,提出一种新的云计算环境下高复杂度动态数据的增量密度快速聚类算法。首先,依据密度对云计算环境下高复杂度动态数据进行聚类,从数据空间中找到部分子空间,使得数据映射至该空间后可产生高密度点集区域,将连通区域的集合看作聚类结果;其次,通过DBSCAN算法进行增量聚类,并对插入或删除数据导致的原聚类合并或分裂进行研究;最后,在更新的过程中通过改变核心状态数据的邻域中含有的全部核心数据进行处理,从插入或删除数据两方面进行增量聚类分析。实验结果表明,所提算法开销低、聚类速度快、聚类质量高。     

面向机械分拣系统的电子元件自动识别算法

为了提高电子元件机械分拣系统的效率,提出一种电子元件参数图像自动识别算法。利用矩形分割处理电子元件参数图像,通过黑、白色号标记特征修正图像灰度形态。计算图像横纵坐标、摄像机感光阵列、连接机器坐标与摄像机坐标,获得电子元件参数图像的具体坐标系。拟合坐标系内灰度值导数差值与图像像素点信息,得到元件边缘轮廓信息。凭借多项式差值拟定坐标系点集的差值,确保梯度幅值在区间中存在极大值。利用依靠梯度方向法明确元件参数图像素点大致分布,最后利用核分类器构建监督机器学习模型,引入拉格朗日乘子计算参数图像像素坐标点位置,实现图像自动识别。实验证明,该方法能够精确识别图像内的电子元件位置,且识别效率高。