基于遗传算法的曲线段连接与拟合

采用特征滤波器来提取样本集中具有线性特征的点,同时生样本点之间的相互关系;根据相互关系对样本点进行初始分类,形成了曲线段,最后采用遗传算法和曲线拟合相结合的方法完成曲线段的检测识别。实验结果表明,应用遗传算法和曲线拟合相结合的方法不仅能够对曲线进行自适应的检测识别,而且具有较强的抗噪声能力。     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

一种粒子群优化融合特征的零样本图像分类算法

针对目标类语义属性描述的局限性,提出一种基于自适应加权融合特征的零样本图像分类算法。首先,随机初始化融合权重,利用神经网络融合文本的语义词向量特征和语义属性;然后,利用粒子群算法优化特征融合的权重;最后,把加权融合的特征作为零样本图像分类的迁移知识。实验结果表明,基于自适应加权融合的零样本图像分类算法在动物属性数据集(AWA)上测试的准确率达到88.9%,验证了该方法的有效性。同时与融合特征算法相比,亦提高了零样本图像分类模型的稳定性。     

自适应局部稀疏线性嵌入降维算法

针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。     

一种粒子滤波自适应优化算法

通过对粒子滤波算法中建议分布与重采样2种改进技术分析,提出了一种粒子滤波自适应优化算法．首先,基于退火参数自适应优化混合建议分布,以改进建议分布的采样范围．然后,在基于有效样本大小的自适应重采样技术之上,借助另一多样性测度即种群多样性因子来自适应调整重采样阈值,而且,样本变异操作在重采样之后被引入确保样本的多样性．同时,结合部分分层重采样算法研究并进行改进,改进的部分分层重采样算法具有原算法执行快时间短的优点,同时结合权重优化的思想改进重采样的样本权重计算．通过仿真实验,粒子滤波自适应优化算法的性能和有效性均得以验证．     

基于Co-training方法的车辆鲁棒检测算法

针对复杂交通场景车辆检测算法自适应能力差的问题,提出了基于Co-training半监督学习方法的车辆鲁棒检测算法.首先,针对手工标记的少量样本,分别训练基于Haar-like特征的AdaBoost分类器和基于HOG(histograms of oriented gradients)特征的SVM(support vector machines)分类器,使其具有一定的识别能力;然后,基于Co-training半监督学习框架,将利用2种算法进行分类得到的新样本分别加入到对方的样本库中,增加训练样本数量,再次进行分类器的训练.由于这2类特征具有冗余性,各自检测出的正负样本包含对方漏检和误检的图像.由于样本数的增加,再次训练所得到的新分类器的鲁棒性得到了很大提高,能更加准确地检测出车辆,而且由算法对未标记样本进行分类标记,不再需要人为标记,提高了车辆检测算法的自适应能力.     

分布式决策树算法研究与实现

提出了一种基于分布多库环境下的决策树生成算法DDTA（Distributed Decision Tree Algorithm）．该算法使用基于信息熵增益的思想分割各个分布的、同构训练样本集,各分布站点利用服务器传来的分割属性分割自己的样本集,服务器则通过对所有分布站点传来的信息计算各个属性的信息熵增益得到分割属性．实验表明DDTA算法能对分布同构样本集进行有效决策树挖掘,分布多库环境下生成的决策树是正确的．与算法INDUS相比,该算法的通信代价小．     

利用图像局部特征区域的抗几何攻击水印算法

提出了一种新的抗几何攻击的数字水印算法．该算法利用仿射不变点检测器提取特征点,根据特征点构造仿射不变区域作为水印嵌入区域; 嵌入时采用了一种新的模糊推理机制自适应调整嵌入强度．大量的攻击实验证明了所提算法的有效性,实验结果表明该算法对一般信号处理、旋转、缩放、剪切和其他仿射变换具有显著的鲁棒性．     

基于免疫抗体生成算法的电力变压器故障诊断

提出了一种基于人工免疫的抗体生成算法,并将其应用于电力变压器的故障诊断。抗体生成算法仿生生物免疫系统中抗体对抗原的识别与记忆的机理,先对训练样本进行免疫学习和记忆,提取表征样本的有效特征,形成表征样本特征的记忆抗体集,再用最邻近分类法对测试样本进行分类识别。UCI的Iris数据集和电力变压器故障数据的仿真分析结果表明,抗体生成算法能够进行有效的分类,并具有很高的准确率。     

一种新的基于散列特征点的地形生成方法

基于少量散列分布的特征点,提出了一种椭圆山形插值算法,在地形区域准均匀网格划分后,对落在特征点影响范围之内的网格点进行插值处理,得到表征地形概貌的地形模板．使用分形技术对地形模板进行迭代处理,增加多层次地形细节,增进了地形的真实感．与以往方法相比,该方法具有两个特点：相对于基于真实地学数据的生成方法,输入数据量少,通过交互手段可以任意更改地形的局部特征;相对于基于构造和简单分形的生成方法,克服了其不能对山峰位置和形态进行控制的缺点．使用该方法用少量的数据就可以方便地控制地形的特征外貌,并生成比较逼真的地形．     

TrigSigs:一种有效的非结构化记录关联合并算法

为了解决从网络数据源提取的非结构化数据的处理问题,提出一种基于触发对的聚类算法TrigSigs,利用触发对挖掘非结构化数据中隐含属性间的关联关系作为辨别实体的标志.该算法能够聚集对辨别实体起到关键作用的特征组合,过滤噪音词汇,并且根据辨别实体的分辨力,为每个特征词汇赋予合理的权重,使记录的特征向量对辨别实体更具代表性,最终提高聚类结果的细粒度,很好地解决了非结构化数据的记录关联合并问题.实验结果表明:该算法可以过滤绝大部分噪音词汇,并且根据词汇的分辨力合理分配权重,使最终聚类结果的准确率有很大的提升.     

一种基于线面包含关系的GML空间聚类算法

针对目前大多数空间聚类算法主要是针对关系数据且没有考虑空间拓扑关系相似性的问题,对基于空间拓扑关系的空间聚类方法进行研究.提出了一种基于线面包含关系的GML(geography markup language)空间聚类算法SCGML-LRI(spatial clustering in GML data based on line region inclusion relations).算法将GML文档中线面空间对象的包含关系作为空间对象相似性度量准则,并用CLOPE算法对空间对象进行聚类.实验结果表明:算法SCGML-LRI能实现GML数据的空间聚类,并具有较高的效率.     

Evolved clustering analysis of 300 MW boiler furnace pressure sequence based on entropy characterization

The furnace process is very important in boiler operation,and furnace pressure works as an important parameter in furnace process.Therefore,there is a need to analyze and monitor the pressure signal in furnace.However,little work has been conducted on the relationship with the pressure sequence and boiler’s load under different working conditions.Since pressure sequence contains complex information,it demands feature extraction methods from multi-aspect consideration.In this paper,fuzzy c-means analysis method based on weighted validity index(VFCM)has been proposed for the working condition classification based on feature extraction.To deal with the fluctuating and time-varying pressure sequence,feature extraction is taken as nonlinear analysis based on entropy theory.Three kinds of entropy values,extracted from pressure sequence in time-frequency domain,are studied as the clustering objects for work condition classification.Weighted validity index,taking the close and separation degree into consideration,is calculated on the base of Silhouette index and Krzanowski-Lai index to obtain the optimal clustering number.Each time FCM runs,the weighted validity index evaluates the clustering result and the optimal clustering number will be obtained when it reaches the maximum value.Four datasets from UCI Machine Learning Repository are presented to certify the effectiveness in VFCM.Pressure sequences got from a 300 MW boiler are then taken for case study.The result of the pressure sequence case study with an error rate of 0.5332%shows the valuable information on boiler’s load and pressure sequence in furnace.The relationship between boiler’s load and entropy values extracted from pressure sequence is proposed.Moreover,the method can be considered to be a reference method for data mining in other fluctuating and time-varying sequences.     

A New Clustering Algorithm for Categorical Attributes

In traditional data clustering, similarity of a cluster of objects is measured by distance between objects. Such measures are not appropriate for categorical data. A new clustering criterion to determine the similarity between points with categorical attributes is presented. Furthermore, a new clustering algorithm for categorical attributes is addressed. A single scan of the dataset yields a good clustering, and more additional passes can be used to improve the quality further.     

基于DBSCAN的变电站智能巡检机器人激光导航算法改进

预置地图的激光导航是目前变电站智能巡检机器人较为常用的一种导航方式,其优点在于维护成本低,但是容易受到异物的干扰。DBSCAN聚类算法可以正确区分噪声点,利用这个特性,准确区分了变电站内的异物,可以有效提高激光导航的可靠性。     

一种混合聚类算法及其应用

通过分析基于网格与基于密度的聚类算法特征,提出了一种基于网格和密度的混合聚类算法,通过分阶段聚类并选取代表单元中的种子对象来扩展类, 从而减少区域查询次数,实现快速聚类。该算法保持了基于密度的聚类算法可以发现任意形状的聚类和对噪声数据不敏感的优点,同时保持了基于网格的聚类算法的高效性,适合对大规模数据的挖掘。实验数据分析验证了算法的有效性,对数据挖掘应用于设备状态监测和故障诊断具有指导意义。     

一种基于QAAR-树的空间索引方法

针对QCR-树聚类个数需事先确定和处理高维空间数据时面临着“维数灾难”的问题,通过自动确定K-means算法的聚类个数和初始聚类中心,来提高聚类质量,并对原始高维空间数据进行近似压缩来减少磁盘读写代价,提高查询效率,提出一种QAAR-树空间索引结构,同时给出QAAR-树的插入、删除和查询算法。实验结果表明,QAAR-树的查询性能优于QCR-树,能够有效地处理海量高维空间数据。     

数据挖掘技术中聚类算法的改进研究

针对K-means算法所存在的问题进行了深入的研究,提出了基于密度和聚类对象方向的改进算法(KADD算法).该算法采取聚类对象分布密度方法来确定初始聚类中心,然后根据对象的聚类方向来发现任意形状的簇.理论分析与实验结果表明,改进算法在不改变时间、空间复杂度的情况下能取得更好的聚类结果.     

一种新的基因表达数据聚类方法

提出了一种基于样本间关系的新聚类方法,从基因表达数据中通过pearson相关系数获得样本间的关系,并用网络的方法表示这种关系,通过该网络的空间结构特征来提取样本间的关系特征,并在这种关系特征空间中进行样本的聚类．该方法能更好地揭示不同类样本间的差异性,具有聚类空间维数低而无需降维的特点．分别采用本方法与现有的聚类方法对真实的基因表达数据进行了聚类分析,实验结果说明该方法能获得更高的聚类正确率,且对于分布混杂的数据的聚类效果也较好．     

多尺度水上船舶目标视觉检测

水上交通场景环境复杂,通过普通光学摄像设备获取的水面图像,面临着视觉目标清晰度低、尺度多样化等问题,使得可见光视觉信号里中、小尺度目标检测相对困难。为服务于各类智慧海事应用,提出了一个旨在提高复杂水域背景下多尺度水上船舶目标检测性能的算法（multi-scale ship object detection,MS-SOD）。该算法基于当前计算机视觉技术中主流的单阶段目标检测模型框架,在其主干网络中嵌入卷积注意力模块,来优化船舶特征提取能力;在多尺度特征融合网络中引入富含细节信息的浅层特征,并使用跨阶段局部残差结构,来优化多尺度船舶特征的融合机制;同时,使用焦点损失函数,来优化模型的学习过程;并设计自适应锚框聚类算法优化先验锚框,以提高多尺度船舶目标检测能力。为验证提出算法的有效性和实效性,在构建较大规模水上船舶目标数据集的基础上,开展了广泛实验验证。结果表明:提出的算法在测试数据集上的检测准确度超过了各主流的对比方法;特别是对于大、中、小各尺度船舶目标的检测精度,相对于主流的YOLOv4算法,提出的算法分别提升了11.3%、6.0%和10.5%。