改进K-means算法的MapReduce并行化研究

针对K-means在处理海量数据时,因初始聚类中心的选取不确定,从而导致收敛速度过慢的问题,本文提出了改进的K-means算法,首先用模糊聚类的思想对数据集进行模糊分类,其次采用动态计算聚类中心的方式对数据集进行二次分类,最后将算法在MapReduce模型上进行了实现.实验结果表明,改进后的算法不仅提高了加速比,而且算法的收敛速度更快.     

基于粒子群优化的模糊聚类算法

针对模糊C均值聚类算法具有容易陷入局部极小值,对初始值和噪声数据敏感的缺点,提出了基于粒子群优化算法的改进模糊聚类算法（PSFC）．该算法引入了粒子群优化算法强大的全局寻优能力,并结合了模糊C-均值聚类算法的特点．实验结果表明,该算法是一种实用的、速度更快、效率更高的改进聚类算法,具有很好的全局收敛性和较快的收敛速度．     

基于免疫模糊聚类RBF网络的交通信息融合算法

在径向基函数（radial basis function,RBF）神经网络应用于交通信息融合的研究中,采用模糊C均值（fuzzy Cmeans,FCM）聚类算法确定径向基网络隐层中心点,一般随机初始化聚类中心,训练过程容易陷入局部极小．结合人工免疫系统的克隆选择原理,提出了一种新的产生初始聚类中心的方法,与FCM聚类算法有机集成,共同训练径向基函数网络的结构参数．该方法避免了网络训练陷入局部最优的问题,收敛速度有所提高,得到了较好的融合效果．实例仿真验证了算法的有效性和实用性．     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于免疫模糊聚类RBF网络的交通信息融合算法

在径向基函数(radial basis function,RBF)神经网络应用于交通信息融合的研究中,采用模糊C均值(fuzzy C-means,FCM)聚类算法确定径向基网络隐层中心点,一般随机初始化聚类中心,训练过程容易陷入局部极小.结合人工免疫系统的克隆选择原理,提出了一种新的产生初始聚类中心的方法,与FCM聚类算法有机集成,共同训练径向基函数网络的结构参数.该方法避免了网络训练陷入局部最优的问题,收敛速度有所提高,得到了较好的融合效果.实例仿真验证了算法的有效性和实用性.     

General Fuzzy Min-Max神经网络的改进与应用

针对General Fuzzy Min—Max(GFMM)神经网络不能自适应学习新类的缺陷，提出了一种基于该网络的无师训练改进算法。它一方面继承原GFMM网可以处理模糊输入量的优点．重构了网络中的模糊隶属度函数：另一方面结合ART2神经网络无师学习的特点．引入了网络警戒门限和运行状态切换控制。改进后的GFMM神经网络完全具备了自适应调整和无师学习的能力．并展现出了良好的并行处理性能。自动目标识别中的应用结果表明：该网络具有广泛的实用性     

基于模糊聚类和改进Densenet网络的小样本轴承故障诊断

针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明：该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。     

一种新的分级混合聚类法

为了克服模糊聚类算法的不足．提出了一种新的分级混合聚法，利用自组织神经网络对数据初步进行特征提取．再利用基于熵的聚类算法进行聚类。从而既提高了聚类过程的效率，又保证了聚类结果的有效性．     

面向化工灰箱建模的快速全局优化模糊聚类算法研究

针对化工过程灰箱建模存在的精确度差、速度慢、计算复杂度高等问题,对现行模糊C-均值聚类算法进行了改进,提出了一种快速全局优化的(用于建模的数据训练集)模糊聚类算法.该算法具有不依赖初始条件、收敛速度快等特点.实验结果表明,利用快速全局优化模糊聚类算法得到的数据,在灰色预测的时间和数据准确性方面都有了显著提高,计算机仿真实验表明了该算法的有效性.     

FCM聚类算法的改进

模糊C均值（FCM）算法广泛地应用于模式识别、图像分割等领域。根据FCM算法存在对初始解敏感且迭代过程中计算量大的问题,本文提出了一种改进的算法：先通过精简数据集,减少算法迭代的时间;再使用密度函数法得到FCM算法的初始聚类中心,以减少FCM算法收敛所需的迭代次数。实验结果表明,改进后的算法较好地解决了类中心的初值化问题,提高了算法的收敛速度和运行效率。     

基于维纳估计的彩色图像光谱重建算法

目的研究彩色图像光谱重建算法,解决彩色图像的RGB等色度参数在表征图像颜色信息时的局限性．方法采用维纳估计算法并结合多项式模型,对1269个Munsell实验数据进行测试．结果光谱重建仿真实验中,对Munsell实验数据按照不同i）1l练和检验样本来选取,当数码相机RGB信号扩展项数为10时,均方根误差为0．0244,优于扩展项为3和7时的精度,可见扩展项数对光谱重建精度有直接影响．结论结合多项式模型的维纳估计算法在进行彩色图像光谱反射比重建的研究中,扩展项的增加可以有效地改善光谱重建效果．     

一种基于神经网络的低压电力线通信盲信道估计算法

主要研究采用OFDM技术的低压电力线通信的信道估计问题。通过分析低压电力线信道特性,提出了一种基于Kohonen神经网络的盲信道估计算法。该算法基于Kohonen竞争神经网络,利用接收机接收到的频域信息进行非线性的直接判决,因而无需辅助的导频信息。仿真结果表明该算法具有很好的误码性能。     

基于散乱点云数据的曲面重构方法

散乱点云的三维重构有广阔的应用前景,通用高效的重构算法是研究重点之一,目前大多采用三角面片重构,与通用CAD/CAM系统中的四边域重构不兼容。本文提出一种在三角域上对散乱点云数据进行NURBS曲面重构的方法,结合了三角面片重构的灵活性与NURBS曲面重构的通用性。首先对测量点     

船舶核动力装置蒸汽发生器故障诊断系统研究

根据蒸汽发生器的结构特点与工作特点,从理论上分析了导致常见故障的各种原因,并结合现场专家的直觉经验,建立了蒸汽发生的故障知识库,同时将Kohonen算法应用于模糊神经网络的故障诊断系统,在故障诊断过程中,根据自身的联想特点,将模糊运算引入神经网络中,有效地解决了知识的不确定性导致诊断的不确定性的问题,该诊断系统具有元教师的自学组织,自学习功以,并且聚类能力强,速度快。     

预防性反馈PCNN模型及在组合优化问题中的应用

利用脉冲耦合神经网络(PCNN)的自动波特性求解组合优化问题。在三态层叠脉冲耦合神经网络(TCPCNN)模型基础上,结合三角不等式定理,构造具有预防性反馈的脉冲耦合神经网络模型。在搜索最优解的过程中,利用三角不等式定理对解进行预判断,不理想的解被删除,起到预防反馈作用,降低求解的空间复杂度,提高求解效率和准确性。将该算法应用于SP和TSP问题实验仿真,结果表明,该算法有效降低了解空间复杂度,进一步提高了搜索速度。     

基于深度三维形变的单张3D人脸重建算法

三维形变模型(3DMM)作为人脸重建的重要方式,在3D建模、图像合成等领域有着广泛的应用.由于受训练数据类型、数量以及主成分等因素影响,3DMM存在过约束的现象,不能提供足够的灵活性来表示高频变形.本文将三维形变模型嵌入到深度神经网络中,为提升3D人脸重建的表示能力提供了新的思路.为了提升网络学习效率,本文构设了一种双通路神经网络,实现了在全局路径和局部路径之间的平衡.通过在学习目标和网络结构两方面改进非线性3DMM,提出了一种比线性或以往的非线性模型更能捕捉到更高层次细节的模型.算法对比与仿真实验表明,本文算法在3D人脸重建上的归一化平均误差更低,所生成的3D人脸模型鲁棒性好、重构准确,实现了较好的3D人脸重建性能.     

装备伪装效果可视化检测技术研究与实现

迷彩伪装是一种对抗军事侦察和武器攻击系统的常用手段,其伪装效果对提高部队战斗力和战场生存能力具有十分重要的作用。采用基于图像的三维重建技术,提出了一种改进的区域增长算法来实现空间散乱点的自主三角构网。该算法引入八叉树思想,对点云进行栅格化存储,以提高点云的搜索效率;在每条边界边向外扩展时,综合考虑与其相邻的两边界边对新扩展三角形的影响,保证三角网格能够稳定地增长;采用三角网格优化算法,使得网格中的三角形接近正三角形。     

基于神经网络的被测量重构方法研究

提出了基于神经网络的被测量重构方法 ;针对神经网络中误差反向传播算法收敛速度慢的问题对目标函数等三方面进行了改进 ,将改进的多层前向网络、误差反向传播算法用于被测量重构。在实际的测量系统中 ,进行了仿真研究 ,结果表明 ,神经网络用于被测量重构 ,方法是可行的 ;解决了重构之前建立数学模型问题和多影响量情况下的被测量重构问题。     

快速神经网络无损压缩方法研究

传统的人工神经网络数据编码算法需要离线训练且编码速度慢,因此通常多用于专用有损编码领域如声音、图像编码等,在无损数据编码领域应用较少。针对这种现状,该文详细地研究了最大熵统计模型和神经网络算法各自的特点,提出了一种基于最大熵原理的神经网络概率预测模型并结合自适应算术编码来进行数据压缩,具有精简的网络结构的自适应在线学习算法。试验表明,该算法在压缩率上可以优于目前流行的压缩算法Limpel-Zip (zip,gzip),并且在运行时间和所需空间性能上同PPM和Burrows Wheeler算法相比也是颇具竞争力的。该算法实现为多输入和单输出的两层神经网络,用已编码比特的学习结果作为待编码比特的工作参数,符合数据上下文相关约束的特点,提高了预测精度,并节约了编码时间。     

基于ANN-NURBS的散乱数据点自由曲面重构

探讨了曲面三维密集散乱点数据的几何建模方法。按照先压缩后拟合的两步方法重构策略，实施基于ANN-NURBS的散乱点自由曲面重构。提出了基于人工神经网络(ANN)的散乱数据点的拓扑矩形网格重建方法并建立了神经网络模型。该模型利用神经元对曲面散乱点的学习和训练来模拟曲面上的点与点之间的内在关系，结点连接权矢量集作为对散乱点集的工程近似化并重构曲面样本点的内在拓扑关系。算例表明，该方法可实现三维密集散乱点数据自组织压缩，生成期望疏密程度和精度的矩形拓扑网格，并可有效保持原数据点集的拓扑特征，从而实现了基于NURBS的大规模散乱数据点的精确曲面重构。