基于单纯形法的量子粒子群优化算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛慢和优化精度较差等缺点,提出了将单纯形搜索法与量子粒子群算法混合的改进算法,更好的平衡了全局搜索和局部搜索能力.仿真结果表明,该算法效率高、优化性能好,其性能远远优于一般的粒子群算法与量子粒子群算法.     

基于颜色特征的图像检索方法

为了提高图像数据库,特别是大型图像数据库查询的速度及准确度,文中提出了基于HSV颜色空间的两层数据库查询的方法.首先,利用简单有效的颜色矩对图像数据库筛选,缩小查询范围;然后,对图像进行4×4重叠分块,提取各分块的颜色直方图进行第二层图像数据库查询,以获取更准确的检索结果.这样分块的好处是既获得了图像的空间分布信息,又突出图像中间的主体部分和充分限制背景的范围,并且比起独立分块的方法减少了计算量.实验表明:根据用户给出的示例图像,通过两层查询技术能够获得较好的检索效果.     

一种基于密度的K—means算法

基于密度聚类的思想,提出了一种改进的K—means算法。算法吸取密度聚类算法的优点,利用对象的t-邻域密度作为选择初始聚类中心点的条件．选出较优的初始中心点,从而得到较好的聚类效果。通过实验表明,此方法相对于随机选取初始聚类中心点准确率较高、稳定性强、可伸缩性好。     

一种改进的层次聚类算法

为了更好地实现聚类,在分析层次聚类(agglomerative)算法和神经网络的ART2算法的基础上,提出了一种改进的层次聚类算法.改进算法将首先采用一种基于ART2的改进神经网络聚类算法得到一个初始的聚类结果,然后在此基础上利用agglomerative算法实现分层聚类.实验结果表明,改进算法较原先传统的聚类算法,不但算法执行速度快、效率高,而且聚类效果也比较好.