基于改进RBF神经网络的TDOA/AOA定位算法

为了减小NLOS传播的影响,提出基于改进RBF网络的TDOA/AOA定位算法.模拟退火算法与k-均值聚类算法相结合的RBF网络训练算法,利用模拟退火算法全局寻优能力改变k-均值算法易陷入局部极值的缺点.仿真结果表明,该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于WLS算法和k-均值聚类的RBF网络定位算法.     

基于K-均值聚类和势函数法的欠定盲分离

K-均值聚类法能估计出观测信号聚类直线方向,利用主成分分析(PCA)提取主成分,可以提高直线估计的精准度和鲁棒性.在此思想的指导下,本文提出基于K-均值聚类的势函数法.势函数度量了聚类中心与所有观测点的距离,对势函数求导得到更新聚类中心的迭代公式,利用该公式对K-均值聚类法得到的聚类中心进行调整得到精估计.该算法计算量较小,能有效估计出混合矩阵.仿真实验验证了算法的有效性.     

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。     

近邻传播聚类算法的RBF隐含层节点优化

传统的RBF神经网络预测精度会由于随机选取隐含层中心节点不合适而导致算法效率低下和数值病态,为了提高RBF神经网络的效率,提出了一种用近邻传播AP聚类算法改进RBF神经网络的方法,并介绍了该方法的原理及建模步骤。由于采用的AP聚类算法属于自适应聚类学习算法,无需事先给定隐含层中心节点的个数,能够适用于不具有先验信息的预测。首先,利用AP算法根据训练样本的信息进行聚类迭代,从而确定RBF神经网络中隐含层的中心节点和节点数值,解决了RBF网络的中心取值问题。然后,把所有输入数据代入基于AP聚类算法优化的RBF神经网络中进行预测。由于AP算法无需预先指定聚类数目,所提方案能提高网络的学习精度和训练速度,利用所提优化方案对正弦函数进行逼近的仿真实验,结果表明该方案的逼近误差仅为0.005 5,在0.3噪声下能保持较好的预测精度。     

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.     

动态聚类算法在网络入侵检测中的应用

为了进一步提高网络入侵检测技术的检测率,降低误报率和漏报率.针对普通聚类算法存在的聚类结果对随机选取初始聚类中心敏感、分类结果不稳定,从而造成的检测率低、漏报和误报率高的特点.提出一种基于动态聚类算法的网络入侵检测模型,实验结果表明通过在K-均值聚类算法的基础上增加动态迭代调整聚类中心,使聚类结果更稳定更准确.与K-均值聚类等算法相比提高了网络入侵检测的性能,从而表明该算法的可行性,有效性.     

基于免疫优化RBF网络的机载嵌入式训练系统效能评估

针对某新型教练机机载嵌入式训练系统效能评估问题,提出基于免疫优化RBF网络的效能评估算法。将效能评估问题建模为一个非线性回归问题,建立简洁、完备的效能评估指标体系;使用免疫克隆优化算法和一个新颖的编码方式进行自动聚类,得到合适的RBF网络隐含层单元个数以及高斯函数中心,从而完成RBF网络的训练。在测试部分,通过仿真实验,并对比经典的BP算法、遗传BP算法,该文方法在评估精准度和稳定性方面都是较优的。     

空间一致性约束谱聚类算法用于图像分割

近来出现的谱聚类算法在模式识别和图像分割中得到了广泛应用.与传统的聚类算法相比,谱聚类算法能在任意形状的样本空间上聚类且收敛于全局最优解.本研究从谱聚类和权核K-均值的等价性出发,基于图像的空间一致特性,提出了一种基于空间约束特性的谱聚类算法.该算法通过对加权核K-均值的目标函数加上空间一致约束项,利用近似逼近将目标函数最小化与谱聚类算法等价起来.仿真实验表明,此算法在图像分割中取得了比原始谱聚类算法更好的分割效果.     

基于一种新型RBF网络的捷变频雷达频率预测技术

针对捷变频雷达的频率预测问题,提出了基于一种新型RBF网络的频率预测方法。该方法将频率预测问题等效为伪随机序列预测问题,并采用结合人工免疫聚类和进化规划的混合算法确定RBF网络的隐层参数。计算机仿真表明,采用这种方法设计的RBF网络预测器可以准确地预测捷变频码,是一种对抗捷变频雷达的有效方式。     

基于优化初始中心的加权K-均值彩色图像聚类算法分析

超像素作为一种图像预处理技术,在计算机视觉领域中得到了广泛的应用。该文研究的重点就是基于优化初始中心的加权K-均值彩色图像聚类算法的具体应用,针对单板彩色图像,提出一种基于彩色RGB空间通道的K-均值优化初始中心聚类分割方法,并与SLIC进行了分析,得到一种新的SLIC算法(WKK-SLIC算法)。该算法是基于优化加权K-means聚类初始中心点为基础,对彩色图像进行分割处理。在该算法中,通过运用密度敏感相似度对空间像素点密度生成聚类初始中心完成计量,所得聚类结构较稳定且经试验结果表明,在进行图像分割时该算法各方面的性能都要优于其他算法,具有更高的稳定性与准确性。     

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。     

复数前馈神经网络的全局最优和快速学习算法

提出了一种新型复数前馈神经网络的学习算法。当输入层和隐层之间的权值计算出来后，就可以通过求解线性方程组得到隐层和输出层之间的权值。这些权值是全局最小点。另一方面，本文算法很容易确定全局最小点时隐层神经元的个数。本文算法具有很高的训练精度和学习速度。     

一种基于反馈的K-means分簇算法研究

针对典型的LEACH分簇式路由协议分簇不均匀,簇头节点分布随机导致网络能量消耗大的情况,本文提出一种基于死亡节点数目反馈的K-means分簇算法。首先通过K-means算法划分簇的个数,选择簇的中心节点为该簇的簇头,并通过位置集中性得到集中性较大的若干个节点为主簇头群,其中最大的为主簇头,自此完成初始化。此后用一个受死亡节点数调控的自适应打分函数更新每一轮的簇头和主簇头。主簇头只用于融合并传输数据并不负责感知环境信息。仿真实验结果表明:本算法相较LEACH以及传统的基于K-means的分簇算法,在整个网络的生存时间上分别提高了35%和25%。同时证明:反馈机制的加入和主簇头的选取都有利于网络寿命的提升。      

前向神经网络的神经元分层逐个线性优化快速学习算法

本文提出了一种新的前向神经网络快速分层学习算法.在此学习算法中,其优化策略为对输出层和隐层神经元的连接权值交替优化.对输出层权值优化算法采用基于广义逆的最小二乘递推算法,对隐层神经元的连接权值采取则对每个神经元逐个进行优化,而且采用正交变换加快每一步学习的计算速度和提高算法的数值稳定性.当学习过程停滞时采用随机扰动的方法摆脱过早收敛.数值实验表明,与BP动量因子法、牛顿型方法和现有的分层优化算法相比,新算法不仅学习速度快学习时间短,而且当网络规模增大时仍然比较有效.     

Application of a soft competition learning method in document clustering

Hard competition learning has the feature that each point modifies only one cluster centroid that wins. Correspondingly, soft competition learning has the feature that each point modifies not only the cluster centroid that wins, but also many other cluster centroids near this point. A soft competition learning method is proposed. Centroid all rank distance(CARD), CARDx, and Centroid all rank distance batch K-means(CARDBK) are three clustering algorithms that adopt the soft competition learning method proposed by us. Among them the extent to which one point affects a cluster centroid depends on the distances from this point to the other nearer cluster centroids, rather than just the rank number of the distance from this point to this cluster centroid among the distances from this point to all cluster centroids. In addition, the validation experiments are carried out in order to compare the three soft competition learning algorithms CARD, CARDx, and CARDBK with several hard competition learning algorithms as well as neural gas(NG) algorithm on five data sets from different sources. Judging from the values of five performance indexes in the clustering results, this kind of soft competition learning method has better clustering effect and efficiency, and has linear scalability.     

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.     

基于改进的K-means的车牌字符分割

提出了一种基于改进的K-means的车牌字符分割方法。该方法首先利用均值跳变法对车牌区域进行精确定位,再利用改进的K-means算法对车牌字符进行聚类,最后根据K-means算法得到的聚类中心对车牌字符进行分割。实验结果表明,该方法能够准确地分割出车牌字符,且具有较强的抗干扰性。     

一种动态筛选样本的前向神经网络快速学习算法

从理论上讨论了一类隐含层激励函数满足Mercer条件的前向神经网络学习问题,分析了提高网络学习速度的途径,提出了一种动态筛选样本的前向神经网络快速学习算法。它大大提高了网络学习速度,克服了传统的基于梯度下降的网络学习方法存在的诸多弊端。算法还具有动态确定隐含层神经元数的自构性优点。文中通过具体数值试验验证了上述算法的可行性和优越性。