基于改进的K-means聚类算法人体体型分析研究

准确的人体体型分析结果是满足服装合体性要求的重要保证。在分析传统体型分析方法存在缺陷的基础上,提出利用多元统计分析中的K-means聚类分析方法对目标群体的人体体型特征进行分析,并对传统体型分析中特征变量的选择方法和聚类分析方法中的随机选取初始聚类中心的方法进行了改进,使体型分析的结果能够更准确地反映人体的体型特征。     

基于同态滤波和改进K-means的苹果分级算法研究

针对苹果在分级的过程中,光线不均所导致的表面反光和阴影问题,利用同态滤波和改进的K-means算法予以解决。同态滤波前,将苹果图像由RGB空间转换到HSV空间,再对HSV空间的V分量进行同态滤波增强,最大限度地削弱光线不均带来的影响;对传统K-means聚类算法,新增加距离度量方法、确定聚类数目和初始中心点,能较好地去除苹果阴影对图像分割的影响。从大小、果形、质量、颜色、缺陷5个方面对陕北富县的秦冠苹果进行分级,分级成功率达到97%。利用同态滤波算法结合改进的K-means算法来对苹果图像进行处理,能够大大提高苹果分级的准确性。     

K-means算法研究综述

K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。本文主要阐述了K-means的基本算法流程,总结评述了改进的k-means算法的研究现状,以及和经典算法的比较。最后总结了k-means算法存在的一些问题,并指出了改进的方向。     

加权平均值的改进k-means算法

传统的k-means算法对噪声和孤立点数据是敏感的,少量的该类数据将会影响聚类结果的精度。针对此算法存在的问题,本文提出一种改进的k-means算法,该算法使用基于加权的改进k-means方法确定类中心。实验证明,改进算法大幅度地降低了聚类结果对噪声和孤立点数据的敏感性,提高了聚类正确率。     

基于K-means聚类算法和BP神经网络的稻米品种鉴别

BP神经网络是利用误差逆向传播训练的前馈网络,具有自适应、实时学习的特点,在分类中广泛应用。但当样本类别过多,BP神经网络的分类精度显著降低。基于此,本研究提出了一种K-means聚类算法和BP神经网络相结合的方法作稻米品种鉴别。利用图像处理方法提取出11种稻米样品的灰度平均值、长宽比和圆形度三项特征参数,利用K-means聚类算法对所得数据进行聚类,聚类的结果作为BP神经网络的输入,训练得到分类器。实验结果表明,这种算法的分类效果要优于单一使用BP神经网络和K-means算法,且分类准确率达到80%,可见本实验的方法用于稻米品种鉴别是可行的。     

基于YOLOv4改进算法的乒乓球识别

传统的基于颜色分割的乒乓球识别方法易受光线、清晰度影响,鲁棒性较低。为解决这一问题,对YOLOv4进行改进,用K-means聚类设计先验框,增强尺度适应性。针对乒乓球尺寸,裁剪网络分支并压缩卷积层,加快特征提取速度。针对采集数据正负样本不均衡,改进损失函数,提高预测框边界准确度。使用快速NMS算法加速预测过程,提高模型的计算速度。实验结果表明,基于YOLOv4的改进模型在乒乓球识别任务中精度达到94.12%,帧处理速率达到39.34fps。     

基于K-means的航空行李快速装箱算法

以航空行李装箱为研究对象,提出了一种高效算法。基于K-means聚类从体积、质量两方面考察每件行李,按实际需求将行李分为若干小类,拆散一个强异构问题为多个弱异构问题,结合"砌墙式"思想,设计了"面填充"与"箱填充"两阶段码放策略。采用实际旅客行李数据与国际经典算例(BR1～BR7)试验,证明了布局的合理性与效率的突出优势。并且,K-means聚类的引入使算法具有解算时间随异构性的增强而降低的优良特性,架起了机器学习算法与传统装箱问题的桥梁。     

基于K-means聚类和蚁群算法在WSN粮情测控中的研究

结合无线粮情测控中粮仓环境数据采集,以及WSN(无线传感器网络)供电能量有限等特点,提出一种基于LEACH协议、K-means聚类和蚁群算法的WSN改进路由算法。首先在预处理阶段利用K-means聚类算法将散布的节点分成多个簇,通过聚类减少数据发送量。其次,利用蚁群算法支持多路径的特点,在数据传输阶段形成簇首间多跳路由机制。仿真结果表明:所用算法能够有效减少数据传输时的能量消耗,延长节点的网络生命周期。     

一种基于K-means的神经网络数据集回归预测算法

在智能电网研究领域的高维数据回归分析和预测模型中,传统的统计学模型不能平衡不同维度之间信息价值,影响数据集的预测有效性。为解决上述问题,提出一种基于K-means的神经网络数据集回归预测算法。首先,在特征层面上,多层循环神经网络提取不同维度的数据特征并训练响应,然后,在算法层面上,通过K-means的分类器模型依照数据的维度特征分类并融合循环神经网络(Recurrent Neural Network,RNN)的特征响应,再对输出响应的数据集构建组合预测模型,从而提高预测算法的可靠性。在公开的回归数据集上进行测试。实验测试的结果表明,与门控循环算法(Gated Recurrent Unit, GRU)相比降低了14.45%的平均绝对误差值。     

基于K-means的广电网络产品及技术发展趋势研究

针对＂三网融合＂下广电网络面临的技术问题,运用K-means算法对其市场需求数据进行分析,并根据分析结果,提炼出广电网络未来产品的关键属性,得出其产品及技术发展趋势。     

基于花粉算法的K均值聚类算法

针对原始花粉算法寻优精度低,后期收敛速度慢等问题,提出加入高斯白噪声扰动改进花粉算法.利用改进后花粉算法强大的全局搜索能力优化K-means算法的初始聚类中心,通过基于距离的方法消弱孤立点对聚类的影响,并对该算法的性能进行验证和测试.实验结果表明该算法有效地避免了其陷入局部最优,改善了聚类性能.     

基于扰动因子的准则函数下的聚类算法

针对初始聚类中心的选择对于K-均值算法的聚类结果非常敏感,且容易陷入局部极值的缺点,提出利用蚁群聚类算法来搜寻K-均值的初始聚类中心,同时通过在搜索空间增加一组逐渐递减的服从均匀分布的扰动因子,建立基于扰动因子的准则函数下的聚类算法.最后对蚁群聚类算法、K-均值聚类算法以及改进后的算法做了对比实验.实验结果表明,改进后算法的聚类能力更强.     

基于模拟评分的服装推荐改进算法

针对传统服装推荐算法中缺乏对消费者与服装特性的关注,以及预测结果缺乏针对性和有效性的问题,利用服装编码、时间间隔和欧氏距离等参数构建了消费者购物兴趣衰减模型,提出基于模拟评分的服装推荐改进算法。对比了模拟评分算法与基于奇异值分解的改进算法的预测值和真实值之间的平均绝对误差。结果表明:模拟评分算法预测评分的平均绝对误差为0.808,相对于基于奇异值分解的改进算法,误差降低了0.024,其中25%的个案的误差大于1,排除这部分个案后的平均绝对误差为0.632;通过对消费者进行回访分析发现,90%消费者的推荐准确率大于96%,只有10%的消费者的推荐准确率为60%~64%;导致误差较大的原因是这部分消费者的喜好发生变化,或是长期没有购买服装。     

基于线性判别分析和二分K均值的高维数据自适应聚类方法

将线性判别分析和二分K均值聚类耦合在一起,提出了一个适合于高维数据聚类的自适应方法:利用线性判别分析将高维数据集变换成低维数据集,然后在低维数据集上执行二分K均值聚类,并把得到的聚类结果通过一个簇成员指示矩阵H变换到原数据集中.将这样的过程反复进行,直到自适应地得到一个最优结果.基于现实数据集的实验结果证明了该方法的有效性.     

一种改进的k-means算法

k-means(k均值)算法是聚类方法中常用的一种划分方法.该算法适合对海量数据进行聚类,对球状、凸形分布的数据具有很好的聚类效果,但该算法有其突出的局限性,少量的孤立点就会对聚类结果产生很大的影响,因此,采用聚类均值点与聚类种子相分离的思想,给出了基于该思想的对k均值算法的改进算法.实验表明,该改进算法比原k均值算法具有更高的准确性.     

基于模拟退火算法改进遗传算法的织物智能配色

为提高传统配色方法及现有配色算法的配色精度、效率及泛化能力,构建了基于BP神经网络的遗传算法和模拟退火算法相结合的织物智能配色模型,利用BP神经网络预测颜色,将训练好的BP神经网络与CIEDE2000色差公式结合作为遗传算法的适应度函数,用模拟退火算法改进的基于BP神经网络的遗传算法预测颜色配方,并根据预测的配方对涤纶...     

KMP模式匹配算法的研究

通过对字符串模式匹配KMP算法的分析,基于next和nextval函数值的意义,给出了求nextval函数值的计算公式.     

基于改进的加权中值滤波与K-means聚类的织物缺陷检测

为检测纹理织物在生产过程中产生的各种疵点,提出一种基于改进的加权中值滤波与K-means聚类相结合的纹理织物疵点检测方法。首先利用改进的加权中值滤波对纹理织物图像进行预处理,以减少纹理信息对疵点检测产生的影响,同时通过联合直方图动态数据分配权重和像素,减少寻求中位数的时间来有效地缩短检测时间,提高了执行速度;然后采用K-means算法对滤波后的织物图像进行聚类,计算织物图像疵点和非疵点的聚类中心,进而实现图像疵点区域的分割。实验结果表明,该方法可有效地检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点,并显著提高检测速度。