自适应半耦合稀疏字典学习算法

为实现图像超分辨力重建,提出了一个自适应半耦合稀疏字典学习算法。由于耦合字典学习算法中存在稀疏编码约束条件太过严苛的缺点,本文采用半耦合的字典学习算法。根据在半耦合的字典学习算法中全局字典表达的局限性,分析和采用了多字典训练算法及相应的重建方法。提出了基于自适应图像块聚类算法的半耦合稀疏字典学习算法。仿真实验结果显示,新算法重建得到的Butterfly,Cameraman,Foreman,Plants,Hat和Lena等图像的峰值信噪比(PSNR)分别比用基于K-means聚类算法的半耦合稀疏字典学习算法得到的重建图像高出0.18 dB,0.16 dB,0.52 dB,0.21 dB,0.23 dB和0.14 dB。该算法可以得到更好的图像重建效果。     

基于标签传播的自适应图聚类算法

聚类算法在多种领域中发挥着统计分析数据的作用,是常见的机器学习方法之一。在针对只包含少量成对约束信息的数据时,以往的算法导致对此类先验信息利用不足。为此提出一种使用成对约束信息来提升聚类效果的算法。因为不能链接约束具有非传递性,成对约束中的隐藏信息一直未充分利用,论文将成对约束信息标签化以用来进行标签传播。此外,在只有成对约束信息时,以往的半监督聚类算法在对构造图的方法过于简单,会有离群数据影响构造图的情况。在学习图时,通过利用自适应图方法构建相似矩阵来保持数据的局部结构,并进一步利用样本自表征方法降低噪音点的影响,提升鲁棒性。最后在聚类方法上,运用拉普拉斯矩阵秩约束直接得到精确的聚类结果,避免以往谱聚类算法中会出现次优化问题。实验结果表明,通过在六个UCI数据集上的大量的实验,证明了文章提出的算法在调整兰德系数(ARI),聚类准确率(ACC)与标准化互信息(NMI)等多个指标下的聚类效果都优于其他六个经典的聚类算法。     

完全自适应的谱聚类算法

针对谱聚类算法self-tuning的局部尺度参数σ_i会受噪音点影响,进而影响聚类结果,及其所使用的K-means算法的不稳定,对聚类结果的影响,提出两种完全自适应的谱聚类算法SC_SD（Spectral Clustering based on Standard Deviation）和SC_MD（Spectral Clustering based on Mean Distance）,分别定义样本i的标准差、样本i到其余样本的距离均值,为样本i的邻域半径,统计邻域内的样本数,以样本i的邻域标准差为其局部尺度参数,避免样本i的局部尺度参数受噪音点影响,进而影响聚类结果;以方差优化初始聚类中心的SD_K-medoids算法代替K-means算法,克服K-means算法的不稳定,发现数据的真实分布.UCI数据集和人工数据集实验测试表明,提出的SC_SD和SC_MD算法能得到更优聚类结果,不受噪音点影响,有很好的伸缩性.提出的SC_SD和SC_MD能完全自适应地发现数据集的真实分布信息,尤其SC_MD算法很适合较大规模数据集的聚类分析.     

自适应引力密度峰值聚类优化算法

针对密度峰值聚类（Density Peak Clustering, DPC）算法对截断距离的取值较为敏感,密度度量标准不统一且人为选取聚类中心存在主观性的问题,提出了一种自适应引力密度峰值聚类优化（Optimized Adaptive Gravitational Density Peak Clustering Algorithm, OAGDPC）算法。首先采用模糊加权K-近邻技术（Fuzzy Weighted KNearest Neighbors Density Peak Clustering, FKNN-DPC)重新定义了局部密度,统一了密度度量的标准;然后提出一种自适应选择聚类中心的策略,结合基于引力的密度峰值（Gravitational Density Peak Clustering, GDPC）算法中牛顿万有引力定律与DPC算法的参数映射,使用引力类比距离,并设置综合考虑局部密度和引力的决策参数,依据决策参数降序折线图的顶角变化自适应确定聚类中心;最后聚集非中心点并识别异常点。实验选取DPC、GDPC、FKNN-DPC和OAGDPC在人工和UCI数据集上进行测试,结果表明,OA...     

基于自适应增量学习的时间序列模糊聚类算法

针对现存可用于时间序列的增量式模糊聚类算法往往需要设置多个控制参数的问题,本文提出了一种基于自适应增量学习的时间序列模糊聚类算法.该算法首先继承上一次聚类得到的簇结构信息以初始化当前聚类进程,然后在无需设置参数的情况下自适应地搜索当前数据块中的离群样本,并自动从离群样本创建新簇,最后检查空簇识别标识确定是否需要移除部分簇以保证后续聚类过程的效率.实验结果表明所提算法对等长和不等长时间序列均具有良好的聚类准确性及运行效率.     

一种基于概率统计的自适应网格聚类算法

针对固定网格划分技术存在的维度可扩展性差,而自适应网格划分技术未充分考虑数据集分布特征等问题,提出了一种基于概率统计理论的自适应网格聚类算法.采用概率统计和图覆盖技术,且能识别任意形状和大小的聚类,时间复杂度是数据集大小和数据维度的线性函数.实验结果表明该聚类是有效的.     

基于自适应遗传算法的椭圆聚类方法

提出一种利用自适应遗传算法对椭圆聚类进行检测和变量估计的新方法.该算法利用自适应遗传算法对目标函数进行优化,既提高了速度,又避免了陷入局部极小值.通过对几个同心和交叉椭圆的合成数据进行测试,验证了该方法的有效性.     

应用于WiFi室内定位的自适应仿射传播聚类算法

在室内覆盖的大量的WiFi信号可以用来室内定位。尽管很多WiFi室内定位技术被提出,但其定位精度仍然未达到实际应用的需求。针对这个问题,该文提出一种自适应仿射传播聚类(AAPC)算法用以提高WiFi指纹的聚类质量,从而提高定位精度。AAPC算法通过动态调整参数生成不同的聚类结果,然后采用聚类有效性指标筛选出其中最佳的。采集大量真实环境数据进行试验,试验结果表明采用AAPC算法产生的聚类结果具有更高的定位精度。     

基于标准化自适应参数的密度聚类算法研究

本文为了解决仅凭经验或大量重复实验来设置参数这一问题,提出了一种参数自适应密度聚类算法,与其它三个目前常用的密度聚类算法进行比较,在桥连接、距离接近和密度不同的三类数据结构中,参数自适应密度聚类算法能够同时保证聚类的有效性和稳健性。     

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...     

一种适用于稀疏多径信道的自适应均衡算法

针对传统的自适应均衡算法在稀疏多径信道下性能表现不佳的问题,提出了一种基于基追踪降噪的自适应均衡算法。该算法利用稀疏多径信道下均衡器权值的稀疏性,将自适应均衡器的训练过程看作压缩感知理论中稀疏信号对字典的加权求和,并利用重构算法直接对稀疏权值进行求解,解决了迭代参数设置和收敛慢的问题。采用基追踪降噪作为重构算法并选用变量分离近似稀疏重构对该最优化问题进行求解,既提高了权值的重构精度又降低了计算的复杂度。仿真结果表明,所提算法能够以较低的计算量和较少的训练序列达到更优性能,这对提升系统的通信性能具有参考价值。     

An adaptive clustering algorithm for image segmentation

The problem of segmenting images of objects with smooth surfaces is considered. The algorithm that is presented is a generalization of the K-means clustering algorithm to include spatial constraints and to account for local intensity variations in the image. Spatial constraints are included by the use of a Gibbs random field model. Local intensity variations are accounted for in an iterative procedure involving averaging over a sliding window whose size decreases as the algorithm progresses. Results with an 8-neighbor Gibbs random field model applied to pictures of industrial objects, buildings, aerial photographs, optical characters, and faces show that the algorithm performs better than the K-means algorithm and its nonadaptive extensions that incorporate spatial constraints by the use of Gibbs random fields. A hierarchical implementation is also presented that results in better performance and faster speed of execution. The segmented images are caricatures of the originals which preserve the most significant features, while removing unimportant details. They can be used in image recognition and as crude representations of the image     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

Sparse adaptive constant blind equalization algorithm for sparse multipath channel

In order to improve the convergence rate of the blind equalizer for sparse multipath channel,a novel blind equalization approach called l₀-norm constraint proportionate normalized least mean square constant algorithm was proposed for M-order phase-shift keying (MPSK) signal.Based on the constant modulus characteristics of MPSK signal and the sparse property of equalizer,a new blind equalization cost function with the l₀-norm penalty on the equalizer tap coefficients was firstly constructed.Then the update formula of the tap coefficients was derived according to the gradient descent algorithm.Moreover,the iteration step was updated by drawing upon the normalized proportionate factor.The algorithm not only assigned step sizes proportionate to the magnitude of the current individual tap weights,but also attracted the inactive taps to zero adaptively.Theoretical analysis and simulation results show that the proposed algorithm outperforms the existing blind equalization algorithms for sparse channel in reducing ISI and improving convergence rate.     

An adaptive clustering algorithm for dynamic heterogeneous wireless sensor networks

Wireless Networks - In the heterogeneous wireless sensor networks, most algorithms assume that nodes are heterogeneous in terms of their initial energy (we refer to as static energy heterogeneity)....     

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。     

基于相异性阈值的改进自适应稀疏表示去噪算法

针对自适应稀疏表示去噪算法在对图像进行去噪时运行时间较长,得到结果过于平滑的问题,研究了基于相异性阈值的改进自适应稀疏表示去噪算法,在改进算法中,计算当前提取的图像块与前一个图像块之间的相异性度量,并与阈值进行比较,低于阈值则认为两者具有相同的稀疏表示向量和表示误差,不需要对当前块再执行计算从而减少运行时间,高于阈值则认为当前块包含了边缘区域,记录其位置,在重构去噪图像时予以保护,以减少图像边缘信息的损失.对毫米波图像的去噪实验结果证实了改进算法的有效性.     

Energy-based adaptive matching pursuit algorithm for binary sparse signal reconstruction in compressed sensing

Compressed sensing gains great attention in the field of signal reconstruction. In order to deal with some practical cases in which the sparsity levels are unknown, this paper proposes an energy-based adaptive matching pursuit (EAMP) algorithm for binary sparse signal reconstruction in the compressed sensing framework. The EAMP algorithm inherits the feature of the sparsity adaptive matching pursuit algorithm, which increases the estimated sparsity level when the energy of the observation residue increases. Meanwhile, the proposed algorithm introduces the measurement vector into the signal reconstruction process. It uses two kinds of step sizes to increase the estimated sparsity level when the energy of the estimated candidate signal is less than half of that of the measurement vector. The experimental results indicate that the proposed EAMP algorithm provides better reconstruction performance than other greedy algorithms.