基于Voronoi图的反向最近邻查询方法研究

为了解决数据集中数据点的反向最近邻问题,利用Voronoi图及空间分割区域的性质计算查询点的反向最近邻,通过Voronoi图的特性可免去每次都计算数据集中给定查询点的最近邻的步骤,每次查询可过滤出少数的几个数据点并对其进行反向最近邻的判断.给出了在数据点被加入或删除时,对查询点的反向最近邻变化情况的判断方法与算法.为了便于数据库查询,设计了相应的空间存储数据结构.比较分析表明,该方法较适用于平面及复杂曲面上的数据点的反向最近邻的查询.     

基于k-近邻域中心偏移的鲁棒性异常检测算法

针对大多数基于距离和密度的异常检测算法敏感于近邻参数k的问题,提出了一种鲁棒性异常检测标准——k-近邻域中心偏移异常因子(COOF).数据结点的k-近邻域中心位置会随着近邻参数k的变化而发生迁移,鉴于异常结点要比正常结点对k-近邻域中心位置偏移量的影响更大,通过累加因递增k而产生的偏移量来表征数据结点的异常程度,并在COOF基础上实现了鲁棒性的异常检测算法.通过综合数据和真实数据的实验仿真可知,COOF不仅对近邻参数k具有鲁棒性,而且相比基于距离的k最近邻算法、基于局部距离的异常因子和基于密度的局部异常因子具有更稳定且更准确的异常检测性能.     

结合邻域信息粒子群聚类用于SAR图像变化检测

SAR图像变化检测可以转化为对差异图的聚类问题。由于 SAR 图像本身容易受到斑点噪声干扰,为提高聚类效果提出了一种结合邻域信息的自适应粒子群聚类算法。该方法在模糊 C 均值原目标函数基础上,引入中心像素的邻域信息,并通过自适应粒子群的全局搜索来优化聚类中心。该方法还引入了自学习算子即粒子编码中的中心像素的隶属度,能够向其相邻像素的隶属度学习,并据此修正自身的隶属度值相关。实验结果表明,与模糊C均值和量子免疫克隆聚类算法相比,该方法利用了像素的邻域信息,从而增强了抗噪性能。与模糊局部信息C均值算法相比,该方法对图像细节保持能力较强,运行时间也较少。     

基于RSOM树的图像K近邻求解算法

提出了一种基于RSOM(recursive self organizing mapping, RSOM)树、利用SIFT (scale invariant feature transform)特征为索引的海量图像集中K近邻的求解方案。对图像编号并提取SIFT特征,依据SIFT特征将图像的编号存储至RSOM树的叶节点中;搜索时用匹配的SIFT特征个数作为指标获得K近邻图像的候选集,用迭代Procrustes方法几何约束得到精确求解结果。利用5万余幅图像数据进行实验测试,结果证实了该方法的有效性。     

加权成对约束投影半监督聚类

为了充分挖掘成对约束所隐含的信息来指导数据降维和数据聚类,提出一种基于加权成对约束投影的半监督聚类方法.该方法构造成对约束信息的k最近邻集并扩充成对约束集,分析成对约束实例包含的信息量并构造权系数矩阵,在加权成对约束信息的指导下求得投影矩阵,通过投影矩阵将样本数据投影到低维空间,使类内各点紧密分布,类间各点分散分布.同时,通过一种新的评价函数对k均值聚类算法进行改进,能够在尽量不违反成对约束的情况下优化聚类性能,实验结果表明,与现有半监督降维聚类算法相比,新方法能以较低的开销对高维数据进行聚类．     

基于点云数据的立木树干局部曲面拟合及拓扑结构

基于海量测量点云数据加工处理的关键是通过获得点云的局部特征拓扑结构来精简数据,而其算法的效率尤为重要。本研究首先对缺乏足够几何拓扑信息的点云,建立每个数据点邻近点的几何拓扑信息,同时综合运用重构管道曲面和随机霍夫变换算法,对立木树干进行拟合。实验结果表明,其效果明显优于双三次Bezier曲面插值拟合法。然后改进求取K近邻获取拓扑信息的算法,也得到了良好的精简效果。     

基于主成分分析的密度聚类算法

密度聚类算法可以描述任意形状的聚类,可以有效地处理异常数据,适合处理大数据集,但不适用于高维数据集的聚类,因此提出了基于主成分分析的密度聚类算法,将DBSCAN算法应用于PCA的k个主成分张成的子空间,解决了DBSCAN算法用于高维数据集的问题.运用气象数据进行实验,结果表明：主成分个数k值的选择严重影响聚类效果,故提出k的基本选择方法,正确选择k值情况下,该算法具有较好的聚类效果.     

一种基于影响区域的CBRkNN查询方法

针对以集合点为发起者的双色反向k最近邻（BRkNN）查询效率问题,提出一种联合查询方法.BRkNN查询查找的是以查询点为k最近邻的点集,双色反向k最近邻联合(CBRkNN)查询查找的是以查询集合中某一设施集合为k最近邻的点集.该方法通过构造查询集合的影响区域来处理CBRkNN查询问题,任何一个物体落入影响区域就是查询结果,反之则不属于查询结果.算法通过画出用户感兴趣设施集合和用户不感兴趣设施集合之间的所有垂直平分线,计算集合中每个设施的优势支配区域,找出被优势支配区域覆盖个数小于k次的凸多边形区域以构造影响区域.在此基础上算法对影响区域进行点包含性查询得到最终结果.通过实验验证了算法在不同的用户规模、用户感兴趣/不感兴趣设施规模和不同的k值条件下都具有较小的时间消耗,从而说明影响区域的使用可以提高查询方法的有效性.     

一种基于聚类的快速局部支持向量机算法

为进一步改善局部支持向量机的分类效率和分类精度,提出一种改进的局部支持向量机算法。该算法对每类训练样本分别进行聚类,使用聚类生成的样本中心点集代替样本,使用改进的k最近邻算法选取测试样本的k个近邻。分别在UCI数据集和自建树皮图像数据集上对本研究算法的有效性进行测试。实验结果表明,本研究提出的算法在分类精度和效率上具有一定的优势。     

基于上下文特征融合的代码漏洞检测方法

针对现有代码漏洞检测方法误报率和漏报率较高的问题,提出基于上下文特征融合的代码漏洞检测方法.该方法将代码特征解耦分为代码块局部特征和上下文全局特征.代码块局部特征关注代码块中关键词的语义及其短距离依赖关系.将局部特征融合得到上下文全局特征从而捕捉代码行上下文长距离依赖关系.该方法通过局部信息与全局信息协同学习,提升了模型的特征学习能力.模型精确地挖掘出代码漏洞的编程模式,增加了代码漏洞对比映射模块,拉大了正负样本在嵌入空间中的距离,促使对正负样本进行准确地区分.实验结果表明,在9个软件源代码混合的真实数据集上的精确率最大提升了29%,召回率最大提升了16%.     

基于顶点变形梯度的点云曲面形状插值

为了重用现有模型,减少动画设计的工作量,需在点云曲面关键帧之间进行形状插值.给出了点云曲面顶点变形梯度的计算方法,顶点变形梯度由其k邻近点决定,并从二次能量优化的角度给出了一个闭合解.基于该变形梯度以及移动最小二乘方法建立了源点云与目标点云之间的对应关系;将变形梯度进行矩阵极分解,对分解后的各分量分别进行插值,再通过一个全局的二次能量优化实现点云曲面的形状插值.该方法直接在点云上进行,无需类似网格的拓扑结构,也不要求源点云与目标点云具有相同的采样点数和一致的对应关系.实验表明,该方法能有效地实现源点云与目标点云之间的形状插值.     

融合整体和局部信息的三维模型检索方法

基于特征融合的三维模型检索方法能有效提高检索效率,提出一种融合整体和局部信息的三维模型检索方法。分别通过Canny算子提取边缘特征和基于尺度不变特征变换特征的词袋模型提取词频向量特征,边缘特征用于描述三维模型的整体信息,词频向量特征用于描述三维模型的局部信息,将这两种特征融合成为新的特征用于描述三维模型。试验表明,融合整体和局部信息的三维模型检索方法能够有效地提高检索结果的准确率。     

基于可变k近邻LLE数据降维的图像检索方法

在基于内容的图像检索中,其计算复杂度随着描述图像内容的特征向量的维数的增加而急剧增加,而应用局部嵌入算法(LLE)进行数据降维时,需要确定近邻点k的个数。根据图像特征在原空间的分布情况,提出了一种可变k近邻LLE的数据降维方法,使得降维后的特征向量有效地保持了其在高维空间中的拓扑结构。实验结果表明,提出的可变k近邻LLE数据降维方法在基于内容的图像检索中有较高的检索准确率。     

基于HSV和CLAHE的复制粘贴篡改检测算法

针对现有的局部特征提取算法,如尺度不变特征变换、加速稳健特征等对面积较小的篡改区域和平滑区域无法准确提取特征点进行复制粘贴篡改检测的问题,提出了一种基于色调、饱和度、明度（HSV）颜色空间和限制对比度自适应直方图均衡化（CLAHE）的2阶段篡改检测方法.第1阶段,将待检测图像从红、绿、蓝颜色空间转换到（HSV）颜色空间进行加速稳健特征提取;第2阶段,针对平滑区域的篡改,通过CLAHE算法对图像进行特征增强之后,再采用加速稳健特征进行特征提取;然后利用广义2近邻算法进行特征匹配,并利用随机抽样一致性算法剔除错误的匹配点;最后通过形态学操作实现篡改区域的标示定位.实验结果表明,该算法能抵抗小面积区域和具有非显著视觉特征的平滑区域复制粘贴篡改,并对旋转、缩放等后处理攻击具有一定的鲁棒性.     

改进聚类算法在DRDoS攻击检测中的应用研究

针对DBSCAN及K-means聚类算法固有缺陷,提出基于信息熵的贪婪迭代增长式聚类算法(GIG-CA)。该算法将熵值理论引入聚类初始点的确立,以类内对象间欧几里德距离均值作为聚类的区域密度阈值,用贪婪法迭代增长生成聚类。将该算法应用于DRDoS攻击检测中,通过实验验证其正确性、鲁棒性及实用性。     

基于局部类相似的特征选择方法

常用的特征选择方法利用样本空间的整个区域提取最优的特征子集。与此相反,本文中提出一种新的局部特征选择方法,即样本空间的每个区域都与各自不同的最优特征集相关联,这些特征集能够最优地适应样本空间的局部变化。同时,在求解最优特征集对应的子空间时,基于最近邻思想,本文提出了一种度量测试数据与各个类相似性的方法,用来对测试样本进行分类。本文提出的方法可以描述为线性规划优化问题,因此可以通过简单的凸优化来求解全局最优解。在三组真实数据集和三个主流的方法上进行的对比实验结果证明了该算法的可行性和有效性。     

基于KPC-kNN方法的批次过程故障诊断

为克服FD-kNN算法的计算量和存储量特别大,PC-kNN主元仅仅能体现过程中线性信息的不足,提出一种基于KPC-kNN的故障诊断方法.在KPCA提取非线性信息后,在核主元空间里应用kNN算法,计算k个最近样本的距离平方和作为统计指标,使用核密度估计方法计算训练空间的控制限.半导体工业实例的实验结果验证了所提方法的有效性.     

一种鲁棒的电子稳像系统

基于特征点跟踪的全局运动估计和利用Kalman滤波的运动补偿,提出一种鲁棒的电子稳像系统．首先,提取特征点的局部信息以估计全局运动,其中各特征点的跟踪是通过特征窗匹配来完成的,同时根据特征点集间具有稳定相对位置的结构特征,提出距离准则,对特征匹配进行验证,来去除前景运动点或误匹配点(即局部特征点)．然后,将所有验证后的匹配点对(全局特征点)带入运动模型,并利用Levenberg-Marquardt进行最优化迭代,求出全局运动矢量． 最后,对原始运动矢量序列进行Kalman滤波,提取抖动参数以补偿图像．实验结果表明,该系统可以处理图像序列的平移、旋转和缩放等抖动,并且对于场景中的局部运动有良好的鲁棒性．     

新颖的无监督特征选择方法

针对有监督特征选择方法因为需要类信息而无法应用于文本聚类的问题,提出了一种新的无监督特征选择方法: 结合文档频和K-Means的特征选择方法。该方法首先使用文档频进行无监督特征初选,然后再通过在不同K-Means聚类结果上 使用有监督特征选择方法来实现无监督特征选择。实验表明该方法不仅能够成功地选择出最为重要的—小部分特征,而且还 能提高聚类质量。     

基于边特征的点云数据区域分割

为了提高反求工程建模的效率,提出了一种基于空间栅格的区域分割方法.该方法采用二次抛物面模型计算散乱数据点的曲率,利用空间栅格结构建立散乱点的拓扑关系,根据栅格中数据点与栅格中心点的相对位置计算栅格曲率以及相邻栅格间的曲率差值,由曲率差函数判别并抽取边特征栅格.通过特征栅格的空间位置与曲面栅格的连通性实现了空间散乱数据的区域分割. 工程应用实例表明: 该方法能够直接处理点云数据而无需构建三角网格,具有运算简单,稳定性高等特点.可有效解决具有曲率突变性的点云数据的区域分割及特征提取问题.