基于凝聚信息瓶颈的音频事件聚类方法

为了进一步提高音频事件聚类算法性能,本文基于凝聚信息瓶颈理论提出一种音频事件聚类方法.首先,论述信息瓶颈原理及其推导过程;然后,详细论述一种基于凝聚信息瓶颈的音频事件聚类方法,包括源变量、相关变量和目标变量的定义,聚类的具体步骤,算法主要计算量分析等.采用取自两个数据库的音频事件样本进行测试,实验结果表明：与目前文献报道的方法相比,本文方法在多种实验条件下都获得了更高的K值（平均类纯度和平均音频纯度的几何平均值）,而且运算速度更快.     

基于聚类算法的6G典型应用场景研究

相比5G三大经典应用场景,6G典型应用场景的内容和种类将更为丰富与繁多,如何客观高效地提炼6G应用场景成为一大挑战。基于此,采用聚类算法研究6G应用场景,首先考虑6G业务及性能指标,然后对6G业务进行指标需求数值收集和各指标评分,最后利用不同聚类算法分析样本数据。根据聚类结果提出了6G八大典型应用场景,可为业界6G研究提供一定参考。     

基于自适应色彩聚类和上下文信息的自然场景文本检测

自然场景文本检测是图像内容分析和理解的重要前提.本文提出一种基于自适应色彩聚类和上下文信息分析的方法,用于检测自然场景图像文本.首先,将层次聚类和参数自学习策略结合,设计一种自适应色彩聚类方法,提取图像中的候选字符.该自适应色彩聚类方法能针对不同图像自动学习权重阈值,有较好的字符召回率.然后,利用文本中字符成行出现的性质,设计一种基于上下文信息的字符验证策略,既能保证较高字符召回率,也能有效移除非文本字符.最后,合并字符构建文本行,并通过后处理得到文本检测结果.在ICDAR2013公共数据集上的实验结果表明：本文分别获得74.17%的召回率,83.40%的准确率和78.52%的F得分.与其他文本检测方法相比,本文获得了较好的文本检测性能,说明本文方法的优越性.     

基于聚类算法的IMT-2030应用场景初步研究

IMT系统已进入新的研究周期,支持的业务种类将更为丰富,业务品质将更加高级,同时业务特性表现为更多的维度和更大的范围,如何对业务进行客观而高效的分析以得到典型的应用场景,对于IMT系统的标准化和产品开发具有重要的指导意义.提出了对IMT业务进行聚类处理,并根据聚类得到的若干类业务生成应用场景的初步方案,利用IMT-20...     

高阶异构数据模糊联合聚类算法

为了更有效地分析聚簇重叠部分高阶异构数据的聚簇结果,提出了一种高阶异构数据模糊联合聚类（HFCC）算法,该算法最小化每个特征空间中对象与聚簇中心的加权距离。推导出对象隶属度和特征权重的迭代更新公式,设计出聚类过程的迭代算法,并且从理论上证明了该迭代算法的收敛性。另外,通过泛化XB指标,提出适用于评估高阶异构数据聚类质量的指标GXB,用于判断聚簇数目。实验表明,HFCC算法能够有效探测数据内部隐藏的重叠聚簇结构,并且HFCC算法聚类效果明显优于5种有代表性的硬划分算法,此外GXB指标能够有效判定高阶异构数据的聚簇数目。     

基于音频的电视新闻节目的主题检索和聚类

随着流媒体应用的蓬勃兴起,基于媒体内容的检索和管理逐渐成为当前的学术研究热点。新闻节目作为电视节目的一种常见形式,对其主题进行自动提取检索具有重要的实际意义。该文从电视新闻节目的音频入手,综合应用了播音室语音/非播音室语音分类、说话人转换点检测以及按说话人聚类等多种技术,实现了对电视新闻节目的主题的检索和聚类。实验表明,该文中的方法能够找到新闻节目中96%以上的播音室段落,并对其进行准确归类,显示了这种方法的可行性和潜在价值。     

基于频谱图转换器的音频场景分类

音频场景分类是场景理解重要的一环,学习音频场景特征并精准分类能加强机器与环境的交互能力,在大数据时代其重要性不言而喻。鉴于分类任务表现依赖数据集规模,但实际任务中又面临数据集严重不足的情况,本文提出了数据增强和网络模型预训练策略,将频谱图转换器模型和音频场景分类任务相结合。首先,提取音频信号对数梅尔能量频谱图输入模型,然后通过模型动态交互能力,加强音频序列空间关系,最后由标记向量完成分类。将本文方法在DCASE2019task1和DCASE2020task1公开数据集上进行测试,分类准确率分别达到了96.489%和93.227%,与已有算法相比有明显的提升,说明本方法适用高精度音频场景分类任务,为高精度智能设备感知环境内容、检测环境动态打下了基础。     

基于谱聚类的自加权多视图聚类算法研究

针对多视图聚类中如何更好地融合不同视图之间信息的问题,提出了一种多视图聚类算法。采用谱聚类中的归一化割算法,得到每个单视图的嵌入矩阵。通过最小化最终的全局图与各单视图之间的差距来学习最终的全局图。考虑到不同视图的重要性不同,使用了一种自加权的方式为每个视图添加权重。利用秩约束的方式控制全局图的连通分量个数。聚类结果可以从最终学习得到的全局图中直接得出,每个连通分量即为一个簇。通过在两个真实数据集上进行实验,对比该算法与其他类似算法在相同数据集上的聚类评价指标,得出该算法的聚类指标相比于对比算法有最大12%的提升。     

基于K-Means聚类的在线学习用户个性化分类

如何利用人工智能提供个性化学习环境及服务已成为当前教育研究者关注的焦点.随着各种在线学习平台的层出不穷,如何利用信息技术提供个性化学习环境及服务已成为当前研究热点.本文基于在线学习平台"超星泛雅"中《网页设计与制作》在线课程案例,重点介绍了数据挖掘算法中K-Means聚类算法的应用.针对传统IFL模型的不足,结合在线学...     

一种基于矢量量化的音频场景分析方法

基于音频的场景分析技术对机器自动感知环境特征，提高自动化程度等具有重要的意义。考虑到人耳的听觉特性，采用反映人类听觉特性的Mel倒谱系数MFCC（Mel frequency cepstral coefficient)作为音频信号特征，提出了一种用矢量量化来进行音频场景分析的方法。     

基于重叠分簇的联合预编码方案设计

论文提出了一种重叠簇模型,并针对该模型的特点,设计了-种联合迫零-汤姆林森-哈拉希玛预编码(ZF- THP)算法;分析了现有分簇算法存在的两个问题,并针对每个问题采用基于重叠分簇的联合预编码技术设计了两种解决方案：一是抑制簇间干扰方案;二是协同度不对称下的重叠分簇方案。仿真表明,所提方案能够很好地解决分簇存在的问题,提高传统分簇算法的系统频谱效率,并改善局部用户的公平性能。     

基于多视角融合稀疏表示的恐怖视频识别

现有的基于多示例学习的恐怖视频识别算法都是假设示例间是相互独立的,而忽略了恐怖视频中存在的上下文信息和示例包的统计特性.因此,本文提出了一种多视角融合稀疏表示模型.该模型分别从集合视角、上下文视角以及统计特性视角三个不同的视角来看待一个视频片段,并利用联合稀疏表示框架将三个不同视角融合到一个分类框架中,用来进行恐怖视频的识别.在恐怖视频库上的实验结果验证了算法在恐怖视频识别中比现有的其它算法有更好的性能和稳定性.     

FRFCM聚类与深度优化的RGBD场景流计算

针对现有RGBD场景流计算模型在复杂场景、非刚性运动和运动遮挡等情况下易产生场景过度平滑和运动边缘模糊的问题,提出一种基于FRFCM（Fast and Robust Fuzzy C-Means）聚类与深度优化的RGBD场景流计算方法.首先以图像序列连续帧间光流信息为基准,利用FRFCM聚类算法对输入图像进行初始分割,然后根据深度图像的运动边缘信息优化初始分割结果,提取高置信度的运动分层信息.最后设计基于图像分割的RGBD场景流能量函数,采用金字塔变形策略计算精确的场景流结果.分别采用Middlebury和MPI-Sintel数据库所提供的测试图像集对本文方法和现有的RGBD场景流算法进行综合对比分析,实验结果表明本文方法相对于其他方法具有更好的场景流估计精度和鲁棒性,有效改善了场景过度平滑和运动边缘模糊问题.     

基于工地场景的深度学习目标跟踪算法

针对施工现场环境复杂,难以高效管理的问题.提出了基于工地场景的深度学习目标跟踪算法,辅助施工顺利进行.根据工地现场目标的连续性,构建增强群跟踪器,提升目标成功跟踪的概率.然后从滑动窗口、Stacked Denoising Auto Encoder（SDAE）和Support Vector Machine（SVM）三方面组建深度检测器.在滑动窗口方面：从梯度角度建立模型实现窗口自适应.在SDAE算法方面：构建反向算法微调网络参数.优化SVM算法降低跟踪时目标漂移和跟踪失败的概率,最终实现目标高精度跟踪.通过实验表明本文提出的算法可有效对目标进行跟踪,实现动态管理.     

基于聚类和联合偏度与峰度指数的高光谱数据波段选择算法

高光谱数据的光谱分辨率高,数据量大,在提供丰富、详细的地物或目标信息的同时,不同光谱波段特别是相邻波段间有较强的相关性,导致光谱波段之间有大量冗余信息。针对这一问题,面向高光谱异常检测,提出了基于聚类和联合偏度与峰度指数的波段选择方法。首先利用虚拟维度进行估计,确定高光谱数据的本征维度,再结合最大-最小距离的思想进行聚类中心的更新,避免了随机选取的初始值可能导致距离太近的问题。然后,考虑到异常目标常常表现为不满足背景高斯分布的特点,使用联合偏度与峰度指数作为准则函数进行波段选择,有效选择出了重要波段。在三组代表性高光谱数据集上进行了实验,结果表明本文所提出的算法有效提升了高光谱异常检测的效果并降低了虚警率。     

基于新聚类学习的属性离散化方法

粗糙集理论中,属性的离散化是预处理中的关键问题。基于新聚类学习算法提出了一种新的属性离散化方法,并将该方法用于车牌字符识别中。首先根据车牌字符的特征建立决策表,给出了基于新聚类学习算法对决策表属性值进行离散化的算法。然后应用粗糙集理论对离散后的决策表属性进行约简,由约简后的属性构造神经网络识别器。字符识别的结果分析表明基于新聚类学习方法的离散化算法对于车牌字符属性较为适用。