融合多特征的天基典型目标光学识别方法

为满足天基近距离目标高精度探测和识别的需求,提出一种多特征融合的卫星局部识别方法.首先分析卫星局部物理特征,构建了融合形态学多特征参量的局部构件分形聚类参数集,并建立基于聚类特征加权组合的构件聚类模型.利用该模型即可实现通过计算待识别目标隶属于各构件类的匹配性概率来识别目标;在此基础上,针对空间目标光学成像的图像降质、局部遮挡等问题,提出了目标识别算法,并以其在实际应用中的识别概率为依据,结合粒子群算法迭代优化加权系数,提高了识别算法效率与鲁棒性;最后利用4类典型卫星及伽利略卫星缩比模型对识别算法进行了数字仿真和半物理实验验证.实验结果表明,在低对比度、SNR仅为5,且构件存在较严重变形与互遮挡的情况下,算法仍能有效识别卫星构件,识别概率优于0.95.     

基于半监督核均值漂移聚类的地震相识别研究

地震相识别是根据地震数据内部结构,将之划分为不同的地震相结构单元.本文研究基于半监督核均值漂移聚类的地震相自动识别算法,有效结合了半监督学习和核均值漂移聚类的优势,不用人为给定聚类个数,并且在聚类过程中方便引入少量地震相先验信息,从而有效提升地震相识别的准确性.理论数据聚类展示了该算法对地震相中的多个结构单元识别准确度较高.北海F3实际数据聚类结果表明,本文算法可以得到合理的地震相个数,与其它六种聚类算法的结果相比,本算法划分的地震相结构层次分明且能够区分细小微层.     

基于层次聚类和人工免疫的无监督结构故障分类算法

目的利用层次聚类与人工免疫模式识别相结合的方法解决无监督结构健康监测中对结构故障识别和分类的问题.方法通过凝聚型层次聚类实现样本数据的分类,通过模仿生物免疫识别和学习机理来训练记忆细胞集合,进而实现对结构故障的识别与分类.结果在benchmark结构模型上的仿真实验测试结果表明在抗原样本数据中采用凝聚型层次聚类和方法能够成功地确定抗原样本数据的模式数目,继而采用人工免疫模式识别算法对实测数据进行模式识别与分类,分类成功率为81%.结论基于层次聚类和人工免疫的无监督结构故障检测与分类算法通过免疫学习和进化产生高质量的记忆细胞,从而有效地识别结构故障模式.     

自适应谱聚类算法研究

谱聚类能识别出在原空间中线性不可分的聚类, 且其效果优于传统聚类算法.谱聚类要想获得好的效果必须选择一个合适的尺度参数,本文在传统谱聚类算法的基础上引入类似核选取的技巧,提出了一个能自动选取该尺度参数的自适应谱聚类算法.将该算法和现有的谱聚类参数选择算法作了比较,在人工数据集和UCI数据集上的实验表明,自适应谱聚类算法在很多情况下优于其它参数选择算法.     

基于离群点识别的聚类结果属性特征簇发现

对聚类结果的理解有助于评价聚类效果,可以据此调整聚类过程,更高效地使用聚类结果.但是,聚类结果的理解仍然是一个尚未解决的问题.提出了基于离群点识别技术分析任意聚类算法的聚类结果,发现了聚类结果属性特征簇的方法;提出一种基于不相似性比值的离群点识别算法.通过对全部数据簇的属性描述进行离群点分析,发现各数据簇的特征属性,实现对聚类结果的理解.所提方法适用于任意聚类算法结果的分析.对UCI的iris、ZOO和Housing数据集的采用X-means、Frozen和DBScan算法的聚类结果进行聚类结果分析,实验表明所提方法较成功地发现了不同聚类算法的属性特征簇,有助于对聚类结果的深入理解.     

基于试探的未知类别聚类的识别算法应用研究

聚类算法是数字识别的热点研究技术之一,是一种寻找特征相似的聚合类非监督学习的方法.采用聚类法在vc++6.0环境进行手写体数字识别系统设计.通过图像的分割与特征提取,模式相似性测量和聚类的分析完成识别工作.结果表明基于试探的聚类识别算法的手写数字识别系统识别率达到100％,满足实际应用需求.     

动态网络桥系数增量聚类算法

提出了一种在动态网络中发现社团结构的增量式聚类算法.基于动态网络中相邻采样时刻网络拓扑变化较小的特点,将网络前一时刻的社团结构作为当前时刻的初始聚类结果,利用边的桥系数判断网络拓扑变化对聚类结果的影响,局部调整初始聚类,最终得到符合当前网络拓扑的社团结构.通过和马尔可夫聚类算法进行比较,验证了本算法的精确性和高效性.实验结果表明,利用增量聚类算法分析动态网络,避免了对当前网络的重新聚类,可以快速、准确地发现动态网络社团结构.     

基于目标函数的直觉模糊聚类图像分割方法

针对模糊C-均值聚类分割算法易丢失图像细节的问题,提出一种改进的直觉模糊C-均值聚类算法.该算法将纹理特征和直觉指数引入到目标函数,并给出改进的聚类目标函数,对其聚类目标函数最优化推导并得到新的隶属度和聚类中心迭代表达式,并设计相应的图像分割算法,实验结果表明了算法的有效性.     

BRINK:基于局部质变因子的聚类边界检测算法

为有效检测聚类的边界,提出了一种基于局部质变因子的聚类边界检测算法(BRINK).该算法使用加权欧式距离技术解决现有聚类边界检测算法不能适用于高维数据的问题,根据局部质变因子在聚类的边界具有稍大于1的特征来识别聚类的边界.实验结果表明,该算法能有效的检测出聚类的边界.     

一种面向大数据的快速自动聚类算法

为了提高大数据的快速处理和识别能力,需要进行数据快速聚类分析.针对传统的模糊C均值聚类算法对初始值敏感且容易陷入局部优化解的问题,提出了一种基于Logistics混沌映射聚类中心小扰动抑制的大数据快速聚类算法.采用非线性时间序列分析方法构建大数据信息流模型,提取大数据信息流的时延尺度特征值,以提取的该特征值为聚类搜索目标函数,用模糊C均值聚类算法计算大数据聚类的最优聚类中心,采用Logistics混沌映射差分进化方法进行聚类中心的小扰动抑制,实现了优化聚类,可避免陷入局部最优解.仿真结果表明,采用该方法进行大数据聚类,能有效提高数据召回率,计算速度较快,实现了大数据的快速自动聚类.     

基于改进YOLOv4的电力高空作业安全带检测

为了让电力工作人员在电力作业中采取规范的防护措施,提出了一种基于改进YOLOv4的电力高空作业识别及安全带佩戴检测算法。首先,该算法采用MobileNetv2作为主干提取网络,在保证较好的特征提取效果同时降低了网络的参数量,提高模型的识别速度;然后使用K-means聚类算法对数据集中的目标边框重新聚类,并调整空间金字塔池化结构,提高模型的检测精度;最后使用Soft-NMS算法替换原NMS算法降低目标的漏检率。实验结果表明,改进YOLOv4网络模型比原YOLOv4模型mAP提高3.2%,检测速度提高30fps,模型的训练权重大小压缩4.16倍,算法在高空作业安全带检测上具有很强的实用性和高效性。     

在线聚类的网络流量识别

针对网络流量在线识别的难题,提出一种聚类算法和在线流量识别方案.以网络数据流的若干初始数据包作为子流,提取子流的统计特征,应用基于滤波器算法的属性相关性算法提取子流最佳特征子集,并提出基于密度的在线带噪声空间聚类算法对子流特征向量进行聚类,采用优势概率业务实现聚类和应用类型的映射.实验结果表明,该方案具备识别新应用类型和加密数据流的功能,且能实现在线的网络流量分类.     

RS与FNN集成在焊接缺陷识别中应用

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重,以及现有的识别算法准确率低的问题,提出了一种粗糙集(RS)和模糊神经网络(FNN)集成的缺陷识别算法.首先使用模糊C-均值聚类算法对样本属性离散化,然后使用RS对离散化后的样本数据进行属性约简得到决策规则,并使用π函数根据聚类的中心和半径对属性进行模糊化,克服RS对噪声敏感问题;根据得到的精简模糊决策规则和模糊逻辑推理确定FNN的结构,使用依赖度和规则的条件覆盖度确定网络的初始参数,考虑到样本中数据的可信度问题,用加权代价函数调整模型参数.仿真实验表明,本算法解决了分类过程中样本数据受到噪声干扰引起的不确定性、FNN结构难以确定的问题,能有效地提高焊缝图像缺陷的识别能力.     

基于改进的YOLOv3算法在目标识别与抓取中的应用

针对目标识别与抓取领域中CNN、Faster-RCNN等传统神经网络系列算法的识别准确率不高,实时性较差的问题,提出一种基于YOLOv3的改进神经网络算法。改进的YOLOv3算法主要是引用Inception网络思想,通过不同尺度的卷积核对目标进行多尺度特征提取,在增加网络宽度的同时减少YOLOv3网络的循环次数。同时,YOLOv3算法对于anchor box的选取方式使用Meanshift(均值漂移)聚类算法与K-means聚类算法相结合的方式进行改进,解决了K值需要人为测定的问题。改进的YOLOv3算法在自制数据集进行对比实验,实验结果表明:改进YOLOv3算法的mAP(Mean Average Precision)值要高于YOLOv3算法10%,在识别速度上提高了9%,在充分满足实时识别的同时提高了对中小目标识别的准确率。     

基于节点聚类系数的网络社区结构发现

研究了节点聚类系数与网络社区结构之间的关系.直接使用节点聚类系数不易刻画社区子图的高聚集特性,定义了一些基于节点聚类系数的社区度量,据此识别网络中的社区.首先,给出了基于聚类系数增大的社区间边判定规则,简称CCE规则;然后,利用CCE规则引出相似度矩阵,即网络密度矩阵;最后,通过网络密度矩阵来构造Laplacian矩阵,并进一步推导出通过计算Laplacian矩阵的特征值以及特征向量来实现社区结构划分的算法.三个真实网络数据的实验结果表明,算法不仅获得了令人满意的划分结果,而且还提高了算法的时间效率.     

基于二次聚类的主动脉弓分割方法

提出一种基于均值漂移和层次聚类的二次聚类图像分割算法(MSHC),在CIE(LUV)颜色空间,首先运用均值漂移算法实现图像的平滑及初步聚类,然后将结果中每个区域的均值作为第二次聚类的初始值,对图像进行层次聚类处理至满足预定效果为止.最后,将图像中主动脉所在类的均值作为区域生长的种子点,完成目标提取.该MSHC算法分割效果良好,易于重建主动脉弓三维模型,且模型立体感强,可清晰展现其空间三维结构.     

改进K-means算法在声纹识别中的应用

在基于高斯混合模型（GMM）的声纹识别算法中,K-means聚类算法是GMM模型参数初始化常用的方法之一。传统K-means算法在聚类过程中采用几何距离进行分类,忽略了类中各矢量的分布不同对聚类结果的影响,常常得不到令人满意的识别结果。文中对传统K-means算法进行了改进,并将改进后的K-means算法与GMM结合应用到声纹识别系统中。实验结果表明,改进的K-means算法与传统的算法相比具有更好的识别效果。     

基于CKPCA-HOG和支持向量机的运动目标分类算法

为了准确地对监控场景中的运动目标进行语义上的分类,提出了一种基于聚类的核主成分分析梯度方向直方图和二叉决策树支持向量机的运动目标分类算法.利用背景减法提取运动目标前景区域,并识别出潜在候选运动目标.利用提出的基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征,以较低维数的数据有效地描述运动目标的有效特征.将...     

基于蚁群算法的硬币识别研究

蚁群算法具有离散性、并行性、正反馈性和鲁棒性,是目前较为先进的优化算法.利用蚁群算法的聚类能力,提出一种硬币识别新方法.根据硬币图像的特点,确定了6个有效的图像纹理特征函数,通过对硬币图像的特征函数值进行蚁群聚类,可有效实现各类硬币图像的识别.实验结果表明,该算法用于硬币识别可达到100%的识别率,并且识别时间较短,是一种有效的硬币识别方法.     

基于粒子群优化-模糊聚类的说话人识别

基于粒子群优化(particle swarm optimization,PSO)提出一种说话人识别算法-三粒子模糊C均值聚类算法.利用3个子群体,每个子群体由规模较小的3个粒子构成,寻求最佳说话人模型.在每次迭代中每个子群体按先后顺序执行PSO算法中的速度更新、位置更新操作和标准FCM算法,对说话人的训练语音数据进行粒子群优化-模糊的软聚类分析,得到聚类中心的最优解,作为该说话人的语音模型.此算法可避免粒子陷入局部最优聚类中心,较准确地记录和估计每个聚类中心的最佳移动方向和历史路径,从而使聚类中心向全局最优解靠近.实验表明,本算法始终稳定地取得优于LBG算法、FCM算法和FRLVQ-FVQ算法的说话人识别性能,对初始聚类中心依赖度低,可有效降低误识率.