基于K-均值聚类的改进粒子滤波跟踪算法

针对粒子滤波算法因计算量过大带来的实时性问题,文中提出一种基于K-means聚类的粒子滤波目标跟踪算法。该算法利用K-means算法对重采样后的粒子进行聚类以达到进一步寻优的目的,这样可以得到更为有效的粒子集,从而大大减小计算的复杂度。通过与基于传统粒子滤波算法的实验数据的分析表明提出的算法可以有效地减小计算量,改善粒子滤波算法的实时性问题。同时,相比于传统粒子滤波目标跟踪算法,改进算法的鲁棒性也有所提高。     

基于遗传聚类算法的Web日志挖掘研究

K-均值聚类对初始聚类中心的选取较敏感,容易陷入局部最优.将改进的遗传算法与K-均值聚类相结合,以优化聚类中心.在种群进化过程中,父代个体均从种群中适应度高的个体中选择,同时,根据个体适应度动态调节交叉概率和变异概率,避免早熟现象.文中采用改进的遗传算法,对学院网站服务器上的Web日志进行用户和页面聚类,达到了很好的聚类效果.     

基于层次的K-均值聚类

介绍一种基于层次的K-均值聚类算法(HKMA)。在统计力学的基础上,对传统K-均值聚类划分矩阵里的元素("隶属"概率)做了形式上的改变,并引入一个调控实际聚类数目的因子。这样,在对同一组数据集进行聚类时,调控因子值不同,结果得到的类数目就不同。用一组二维正态分布的数据集和一组用来测试聚类算法的标准数据集(Iris数)进行测试,结果表明该算法具有层次聚类的性质和较满意的聚类精度。     

基于粗糙集的图像聚类分割方法研究

结合粗糙集理论和K-均值聚类算法,提出了一种图像分割方法。将原图像按等价关系进行划分,基于属性约简的概念对不同区域按照不可分辨关系分类。分割结果表明,文中方法是一种有效的图像分割方法,具有良好的鲁棒性。     

基于K-means均值聚类的车牌定位算法研究

提出一种基于均值聚类的车牌定位算法,该算法能避免由于环境的复杂而带来的定位的不确定性。     

一种基于K-均值聚类优化的快速分形图像压缩算法

提出了一种基于K-均值聚类的快速分形图像压缩算法,对搜索窗中的父块和子块,根据其方差的不同,用K-均值聚类方法分别对子块和父块进行聚类,子块只对同一类中的父块进行匹配,从而大大缩短了编码时间。实验结果表明,与经典分形压缩算法相比,本文算法编码速度可提高5倍;同基于方差的快速分形压缩算法相比,本文算法也有明显的优势。     

基于聚类算法的红外图像伪彩色增强

文中根据红外图像的特点,提出了一种基于K-均值聚类的红外图像伪彩色增强的新算法.该算法通过对红外图像灰度数据的统计学习,产生初始聚类中心,采用K-均值聚类算法对灰度进行聚类,并根据伪彩色编码的节点对聚类结果分段实现伪彩色的自适应分配.实验结果表明,该方法可增强红外图像的细节信息和层次感,具有更好的视觉效果.     

基于划分的聚类算法研究综述

在数据挖掘的所有算法中,聚类分析尤为重要.基于划分的聚类算法就是用统计分析的方法研究分类问题.本文介绍了聚类的定义及聚类算法的种类,详细阐述了K均值聚类算法和K中心点聚类算法的基本原理并对它们的性能进行分析,对近年来各学者对基于划分的聚类算法的研究现状进行了梳理,对其具体应用实例做了简要介绍。     

基于几何距离准则的弹道外推方法

为提高雷达软件系统弹道导弹弹道外推的精度,提出一种基于三维空间几何距离准则的弹道外推方法。该方法基于在地球惯性坐标系中标准弹道为位于过地球质心的一个二维平面内的椭圆这一事实,首先由拉格朗日数乘法确定椭圆所在的平面,使所有量测点到该平面的几何距离平方和最小,然后用各量测点在平面内的投影点代替原始点迹,在平面内用最小二乘法作平滑,确定椭圆方程,最后取中点进行弹道外推。应用STK软件进行弹道仿真,结果表明这一方法可以明显提高弹道外推的精度。     

基于Mean Shift聚类的图像分割研究

图像的分割技术指的是将图像分成具有各种特殊性质的区域并且将感兴趣的目标提取出来的技术和过程.MeanShift算法是一种十分有效的聚类迭代的算法,能够在多种特征空间分析的相关领域得到应用,其中就包括图像的分割.实验的研究对象是处理视觉图像的分割,用扩展形式的Mean Shift算法来解决视觉图像的分割问题,获得了较好的成效.Mean Shift图像分割的算法由图像的滤波步骤及图像的合并步骤组成.色度域带宽、空域带宽以及最小区域的限制这3个重要参数控制着最终的图像分割效果.     

基于Adams预估校正的UKF跟踪外推算法

不敏Kalman滤波(UKF)算法可以广泛用于各种目标运动的非线性估计中,传统的UKF滤波算法对于时间更新(即一步预测),一般采用对目标运动方程进行离散化或线性化处理,其结果不可避免地产生离散化误差,当目标运动非线性较强时,会导致跟踪误差增大,甚至无法给出正确的预测结果.文中提出的基于阿当姆斯(Adams)预估校正的UKF算法(即Admas-UKF),很好地解决了弹道目标过顶点的跟踪外推问题,仿真结果显示,与传统的UKF算法相比,此算法提高了跟踪外推精度,而计算时间远少于龙格库塔不敏Kalman滤波(Runge_Kutta-UKF)算法.     

Continuous Clustering Trajectory Stream of Moving Objects

The clustering of trajectories over huge volumes of streaming data has been rec- ognized as critical for many modem applica- tions. In this work, we propose a continuous clustering of trajectories of moving objects over high speed data streams, which updates online trajectory clusters on basis of incremental line- segment clustering. The proposed clustering algorithm obtains trajectory clusters efficiently and stores all closed trajectory clusters in a bi- tree index with efficient search capability. Next, we present two query processing methods by utilising three proposed pruning strategies to fast handle two continuous spatio-temporal queries, threshold-based trajectory clustering queries and threshold-based trajectory outlier detections. Finally, the comprehensive experi- mental studies demonstrate that our algorithm achieves excellent effectiveness and high effi- ciency for continuous clustering on both syn- thetic and real streaming data, and the propo- sed query processing methods utilise average 90% less time than the naive query methods.     

A sparse projection clustering algorithm

A clustering algorithm based on Sparse Projection (SP), called Sparse Projection Clus- tering (SPC), is proposed in this letter. The basic idea is applying SP to project the observed data onto a high-dimensional sparse space, which is a nonlinear mapping with an explicit form and the K-means clustering algorithm can be therefore used to explore the inherent data patterns in the new space. The proposed algorithm is applied to cluster a complete artificial dataset and an incomplete real dataset. In comparison...     

一种用于道路障碍物识别的激光点云聚类算法

提出一种适用于道路障碍物识别检测的聚类算法,该算法用来处理各向异性分布的激光点云数据。算法的基本思想是:针对点云空间分布的实时变化,提出在线学习合并阈值的层次聚类算法,以确定聚类数搜索范围上界和初始聚类中心的待选点集;然后提出距离乘积最大化方法,对待选点集进行初始化排序,既结合点云的空间密度分布改善了聚类结果,又克服了传统K-means算法初始聚类中心难确定的问题;最后选取Silhouette和距离评价函数为聚类有效性指标分析算法的聚类效果,确定最佳聚类数。用以上自适应、在线学习的算法对2.5D激光雷达采集的点云数据进行聚类,并与其他两种聚类算法进行实际试验比较发现,本算法可以正确分割大多数空间分布各异且相互连接的障碍物。     

基于改进K-均值算法的未知雷达信号分选

针对K-均值算法需要事先确定聚类的数目,无法适用于未知雷达信号分选的问题,通过引入脉冲间欧几里德距离和距离阈值TMS2812,完成聚类数目和聚类中心的自动选取,给出一个K-均值的改进算法,改进后的算法既收敛速度快,易于工程化实现,又可自动确定聚类数目和聚类中心。仿真实验表明,该改进算法提高了K-均值算法的适用范围,能够有效适应于未知雷达信号的分选。     

基于多聚类结果融合的轨迹聚类方法

针对轨迹聚类结果的不可靠性,提出一种基于多聚类结果融合的轨迹聚类方法MRMTC.对于多聚类器产生的多个聚类代表轨迹,提出了轨迹合并算法,实现了多个聚类代表轨迹的合并.代表轨迹合并算法以平均扫描线距离函数作为共识函数,通过共识函数对代表轨迹间的相似度进行比较,最后合并相似的代表轨迹.实验表明基于融合的轨迹聚类方法,可以获...     

基于协同熵的K-均值算法

针对传统K-均值算法容易受到野点和噪声点的影响,缺乏鲁棒性的问题,提出了一种基于协同熵的K-均值算法。该方法利用协同熵作为一种局部的相似度度量手段,并依赖最大协同熵准则进行最优聚类中心的求解。采用迭代重加权的优化算法可以用来快速实现最优聚类中心的求解。对于残差较大的野点和噪声,它们在聚类中心更新的过程中将被赋予较小的权重。实验结果表明,基于协同熵的K-均值算法具有较好的鲁棒性,并获得较好的聚类效果。     

基于微正则退火算法对K-means聚类算法的优化

K-means算法是经典的基于划分的聚类算法,但该算法存在依赖于初始聚类中心、容易陷入局部最优解等缺点,针对这些缺点,本文提出了基于微正则退火K-means聚类算法,通过继承微正则退火算法的高效全局寻优特性,可以避免陷入局部最优解。实验结果表明,改进的算法能够有效的减少原算法对初始聚类中心点的依赖,提高算法的稳定性,摆脱原算法容易陷入局部最优解的缺点。     

一种新的结合稀疏编码的红外图像聚类分割算法

聚类作为一种重要的图像分割方法得到了大量研究,提出了一种新的结合稀疏编码的红外图像聚类分割算法,扩展了传统的基于K-means聚类的图像分割方法。结合稀疏编码的聚类算法能有效融合图像的局部信息,而且易于利用像素之间的内在相关性,但是对于分割会出现过分割和像素难以归类的问题。为此,在字典的学习过程中,将原子的聚类算法引入其中,有助于缩减字典中原子所属类别的数目防止出现过分割;同时将稀疏编码系数同原子对聚类中心的隶属程度相结合来判断像素所属的类别。这种处理方式能更好地实现利用像素的内在相关性进行聚类分割,并在其中自然引入了局部空间信息,达到更好分离目标区域和背景区域的目的。实验结果表明,结合稀疏编码的K-means聚类分割算法能更好的实现复杂背景下红外图像重要区域的准确分割提取。