一种基于颜色聚类和种子填充的目标识别算法

针对类人足球机器人目标识别易受光照强度变化影响的问题,改进了常规的扫描线种子填充算法,提出了一种基于颜色聚类分割和种子填充的目标识别算法。该算法采用HSI颜色模型,依据亮度和饱和度信息对图像粗分割,基于阈值将彩色区域和灰色区域分离,同时将灰色区域二值化;基于色调直方图聚类分析对彩色区域的像素进行了归类,通过改进扫描线种子填充算法实现了色块的最简扩充和特征提取,使颜色分割和特征提取同步进行,解决了目标物体的快速、精确识别。实验结果表明,该算法抗干扰能力强,分割精度高,能满足实时性要求,具有一定的实用价值。     

一种基于核的聚类色彩量化算法

针对K-均值聚类在色彩量化中的应用,提出了一种基于核的聚类色彩量化算法.将原空间中待聚类的样本通过非线性映射,映射到一个高维的核空间中,从而将非线性问题变为线性问题,并通过Delphi编程加以实现.实验结果证明,该算法计算简单,鲁棒性强,具有一定的实用价值.     

一种基于人工免疫的模糊核聚类算法

针对模糊聚类及核聚类算法存在的初值敏感及易陷入局部极值点的问题,提出了一种基于人工免疫的模糊核聚类新算法。新算法将基于核的模糊聚类方法与人工免疫进化算法相结合,借鉴生物免疫系统中免疫细胞克隆和记忆、亲合力成熟等机理,采用克隆选择机制对抗体进行逐代克隆、高频变异及抑制操作。相对于模糊聚类及核聚类算法,新算法能快速地获得全局最优解。仿真数据、IRIS数据和空气压缩机运行数据测试结果证明了新算法的可行性和有效性。     

一种基于SOFM聚类的星图识别算法

介绍了一种利用自组织特征映射(SOFM)网络的聚类功能进行全天星图识别的方法.按一定规则对全天星表的星信息进行了筛选并组建了导航星星库.从星库中提取星对角距信息和星模式信息来分别训练此星图识别系统中的两层SOFM网络,使网络具备了分类识别功能.以此系统进行的仿真识别结果表明,SOFM网络可以有效地反映星图中的复杂信息,抗噪性能明显优于传统星图识别算法;分类效果较好,能区分各种星模式;识别速度很快,约为1.5ms,可以在星图识别中发挥很好的作用.     

一种新的基于聚类的SVM迭代算法

提出了一种新的基于聚类的支持向量机迭代算法,该算法首先通过聚类方法从训练样本集中选择出最有可能成为支持向量的一组向量组成训练子集,再用迭代训练的方法迅速构建一个最优SVM分类器.实验证明,该算法使SVM训练时间大为缩短,在不影响正确率的前提下使算法的效率得到大幅度的提高.     

基于簇内数据聚类算法的WSNs故障检测方法

能量是无线传感器网络应用中最宝贵的资源,由于节点能量消耗完毕死亡而导致网络瘫痪是一种典型故障.针对此故障形式提出了一种基于簇内数据聚类算法的故障检测技术,该方法利用无线传感器网络在按照地理位置进行分簇的基础上,通过采用数据聚类的方法,在能量不受限的汇节点处进行簇内数据再聚类,然后设置阈值进行故障检测.通过仿真实验证明,合理选择检测阈值,该方法在保持基于历史与邻居数据的节点自检测方法较高准确率的基础上,极大地减小了能量消耗,且明显降低了故障检测误警率.     

基于Kmeans和图像熵聚类的热红外目标检测算法

针对以海洋为背景的热红外图像目标检测存在的海洋海杂波的非平稳特性、非线性特性问题,以及目标背景相关性大而对比度小等问题,对两幅实拍红外船舰图像进行了实验,提出了一种快速有效的热红外目标检测算法。该算法采用表示图像灰度空域分布状态不确定性量度的图像熵方法,利用滑窗方法遍历整幅图像,求得了局部熵图像,从而确定了目标的粗略位置;通过用最大类间差法将局部熵处理后图像进行了自适应的二值分割,将目标和背景最优化地分离,并且结合改进的Kmeans聚类算法,通过循环所有目标点找出了其在聚类图像中的聚类标识,结合所有该聚类的像素点,提取出了完整的目标及其轮廓。研究结果表明,该热红外目标检测算法速度快,性能良好,在将目标完整地提取出来的同时可以很好地保留目标的轮廓。     

基于聚类和距离的大数据集离群点检测算法

针对已有的基于距离的离群点检测算法在大数据集上扩展性差的问题,提出了基于聚类和距离混合的大数据集离群检测算法.算法第一阶段采用层次聚类和k-means混合的层次k-means算法对数据进行聚类,并按照一个启发式规则对其进行排序.第二阶段在聚类的结果上采用嵌套循环算法进行离群检测,并通过两个剪枝规则进行高效舅枝,减少了离群检测时数据点之间距离计算的次数.理论分析和实验结果证明了算法的可行性和效率.     

一种多维不确定性数据流聚类算法

目前在很多不确定性数据流聚类方法研究中,存在着聚类模型和数据流的数据模型失配问题,且它们往往假定不确定性数据的概率密度函数、概率分布函数或者概率是已知的,然而这些信息在实际系统中很难获得.鉴于此,本文提出一种基于区间数的多维不确定性数据流聚类算法(UIDMicro).在该算法中,首先利用区间数结合不确定性数据的统计信息表示多维不确定性数据流,然后采用“当前簇”和“候选簇”两层簇窗口对不确定性数据流进行聚类,通过动态调整两层簇窗口实现聚类模型和数据模型的实时匹配.实验结果表明,该方法具有较高的聚类精度和处理效率.     

一种基于聚类电阻层析成像静态图像重建算法

为了提高静态图像重建算法求解电阻层析成像逆问题的实时性与精度,提出一种基于敏感场区域内三角形有限元聚类的静态图像重建算法.新算法初期采用改进牛顿-拉夫逊算法,并根据算法振荡次数超过允许最大值时所对应的最优图像重建结果,对敏感场区域内所有三角形有限元进行聚类,最后利用改进粒子群算法求解电阻层析成像逆问题,从而实现静态图像重建.新算法每隔一定迭代次数对敏感场区域内所有三角形有限元进行重新聚类,以减小粒子维数,提高新算法求解电阻层析成像逆问题的精度.实验结果表明,相比改进牛顿-拉夫逊算法及组合算法,新算法效果最理想.     

一种鲁棒的聚类算法在加速度计数据集中的应用

基于邻居搜索和模糊C均值方法,提出了一种新的鲁棒的聚类算法(NSFA)。该算法采用邻居搜索方法遍历相邻的数据,依据搜索距离确定聚类数目。NSFA方法引入内核函数,以提高其对噪声和异常点的鲁棒性。为了验证算法的鲁棒性,实验采用读取加速度计的数据,对比实验结果表明所提出的算法明显提高数据集的聚类性能,清晰划分加速度的变化趋势。     

一种目标图像的检测算法研究

分析了天空背景下彩色飞机图像的颜色概貌,提出了根据颜色特征来检测飞机目标,重点在于如何得到最佳的颜色特征。不同的对象所要求的颜色特征并不相同。根据具体的天空背景下彩色飞机图像,提出了检测飞机目标的算法,结果表明该算法可以很好地检测到飞机目标。     

一种基于时空信息的多目标检测新算法

运动目标检测是计算机视觉中进行信息提取的关键技术之一.为了克服传统帧间差分法检测出的目标不完整的缺点,提出了一种基于时空信息的视频图像中多目标检测新算法.该算法将帧间差分得到的图像序列的时间信息和帧间边缘差分得到的图像空间信息结合起来检测图像中的运动目标,同时利用形态学闭运算和近区域合并方法进一步强化图像中的空间信息,利用小区域去除的方法去除图像中的噪声影响.最后通过3组实验对其有效性进行了验证,实验结果证明,其检测效果与传统算法相比有较大改善.     

一种基于启发式的密度和网格的增量聚类算法

提出了一种基于启发式的密度和网格的增量聚类算法。通过密度和网格相结合的方法,采用启发式原理进行聚类处理,利用增量式算法只对受影响的点进行计算,可以很快得到修正后的聚类,大大提高效率。实验表明该算法能很好地处理高维数据,较传统算法效率有显著提高而且加速度较商。     

基于单体型重建的一种改进启发式聚类算法研究

单核苷酸多态性(SNPs)是一个物种中DNA序列中某个位点上的碱基变化,研究单体型对于诊断疾病和药物研制有着重要作用.基于信息工程的单体型重建就是对由SNP片段组成的基因片段进行组装,从而构造出原来的一对单体型.本文在k最近邻和粒子群算法的基础上,提出一种解决单体型重建问题的一种聚类算法.最后,本文分别采用模拟数据和真实数据来检验本文所提出的算法,实验结果证明所提出算法的可行性与高效性.     

一种优化的K-means聚类中心算法研究

传统的K-means算法对初始聚类中心敏感,不同的初始输入随目标准则函数进行不同次数的迭代,聚类结果波动大,容易陷入局部最优.针对K-means存在的问题,本文提出以簇内相似度最高的具有高密度分布的点为初始聚类中心的算法,通过聚类评价函数提高其聚类质量.用标准的UCI数据库进行实验,结果表明,在聚类K值给定的情况下,改进后的方法较传统K-means方法具有更好的聚类效果,其准确率与稳定性得到改善.     

一种基于聚类的滚动轴承故障诊断方法

近年来,机器学习技术在故障智能诊断领域得到了广泛的应用,聚类作为最主要的无监督学习技术在基于机器学习的故障智能诊断中占有重要的地位。滚动轴承故障诊断中,传统的频谱分析法通常采用共振解调技术,但当内圈、滚动体或多点故障时,产生复合调制,从解调谱线很难分辨故障类型。针对此,提出了一种新的基于模糊聚类的滚动轴承故障诊断方法,该方法以模糊Fisher准则为聚类目标,通过对待测样本与已知状态样本数据聚类,求得待测样本隶属度,进而判断滚动轴承的故障类型。实验结果表明该方法是有效的。     

一种新的基于事物聚类Web浏览偏爱路径挖掘算法

目前的挖掘算法单纯考虑了用户的访问频度,而忽略了用户对访问路径的兴趣度。本文通过分析目前用户偏爱路径挖掘算法存在的问题,结合事物聚类算法,将雅克比系数与最长公共路径系数相乘,得到更准确地用户相似集,并基于一个三元组模型构造以页面兴趣度为元素值的网站浏览数据矩阵,采用改进的挖掘算法计算用户偏爱度和访问兴趣度,降低访问页面闲置及链接等因素对数据挖掘的影响;实验结果表明,该算法针对Web日志海量数据进行挖掘,具有较高的效率和准确率。     

基于高维空间聚类的集中供热末端数据异常检测

因集中供热建筑结构、住户行为习惯等差异,末端住户供暖数据具有特征差异大、非线性强、数据量大、响应时间长等特征,在原数据空间中利用聚类分析进行异常检测造成类间数据交叉,精确性无法保证.本文提出高维高斯混合聚类算法,将数据集映射到高维空间进行聚类,利用核函数映射、内积运算与高维特征空间分解等计算方法,提高精确度,规避维数灾...     

一种K-均值脸谱图聚类新算法

Chernoff脸谱图简单,类似卡通画,能图形化地表示多元数据。但脸谱图聚类算法具有主观性的巨大的对比工作量,脸谱特征分配困难。因此,本文提出一种新的脸谱图聚类算法,它合并了K均值聚类或模糊G均值聚类算法。IRIS和蔬菜油数据集的实验结果表明新算法优于传统的聚类算法。