RME:基于滑动窗口的实时人脸检测算法

研究了基于滑动窗口的视频实时人脸检测,提出了刚性运动估计(RME)算法.该算法以小尺度人脸瞬时刚性运动为假设,根据几何变换对窗口图像的运动进行描述,以光流代替运动矢量计算运动参数进而识别窗口图像的刚性、非刚性运动类型,通过排除非刚性窗口以提高人脸检测效率.对比实验与分析表明,该算法在准确率与时间效率方面具有优势.     

基于双层动态筛选训练样本的光谱重建算法

目的研究光谱重建过程中训练样本筛选方法对光谱重建精度的影响。方法利用违逆的方法对测试样本Munsell样本和Color Checker SG样本进行光谱重构,训练样本分别选择未经筛选的Munsell样本集、经过动态聚类筛选的和经过文中提出的双重动态筛选的Munsell样本集,然后比较3种样本筛选方法得到的光谱重构精度。结果实验结果表明,经过双层动态筛选的训练样本重构精度无论是均方根误差(RMSE)、拟合优度(GFC)还是不同光源下(A,D50和F2)的色差,明显高于动态聚类分析的样本和未经筛选的样本。结论提出了一种新的样本筛选方法,该筛选方法效果良好,具有一定的先进性。     

基于视觉原理的密度聚类算法

在模式识别、图像处理、聚类分析等领域,人的眼睛具有快速有效地组织并发现物体内部结构的自然能力,本文就是在模拟人类视觉系统这一功能的基础上,结合基于密度的聚类方法提出了一种新的聚类算法,该算法具有对初始化参数不敏感、能发现任意形状的聚类及能找到最优聚类等优点。     

基于滑动窗口的数据流字符串近似查询

针对数据访问模式随着网络技术的发展逐渐从静态磁盘转移到动态数据流的状况,研究了数据流上的字符串近似查询.为了解决数据流的连续性、无边界性、不可预知性和在线计算资源的局限性导致基于静态数据集的近似查询处理方法无法高效地支持数据流的问题,提出了基于滑动窗口数据流的字符串近似查询(AS3)方法.该方法基于过滤-验证框架和基本窗口索引更新机制,改进并应用非对称特征策略提取数据流和查询关键字的特征,采用了两个新的过滤算法——预剪裁过滤(PPF)算法和流统计(CFS)过滤算法,以及基于矩阵坐标的验证(CV)算法.实验结果表明,AS3方法能够高效地支持基于滑动窗口的数据流字符串近似查询,在保证结果准确率的同时具有较高的实时性及峰值处理能力.     

基于肤色特征和动态聚类的彩色人脸检测

在人类视觉机制和肤色聚类特性的基础上,提出了一种复杂背景下人脸检测方法。该方法采用K-均值动态聚类分析算法,利用人类肤色特征在输入图像中检测包含人脸的似人脸区作为候选人脸,再用同样的方法对候选人脸区域进行扫描,得到真正的人脸。实验结果表明,该方法的正确检出率达到84%,受背景、光照、角度、姿态的影响很小,具有较好的鲁棒性。     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

基于多尺度重建和约束聚类的海冰变化检测算法

针对多时相合成孔径雷达(Synthetic Aperture Radar, SAR)图像在海冰变化检测中存在的固有斑点噪声问题,提出基于多尺度重建和约束聚类的海冰变化检测算法。首先,为了抑制斑点噪声,使用多尺度超像素重建方法生成差分图像,并利用局部空间同质信息增强边缘。然后,将两阶段中心约束模糊C均值聚类算法和并行策略相结合,以约束图像预分类过程中聚类中心的错误漂移。最后,在分类阶段将双树复小波变换引入卷积神经网络中构成卷积小波神经网络(Convolutional-Wavelet Neural Network, CWNN),并通过虚拟样本生成方法生成新样本,以缓解模型训练中样本有限的问题。在2个常规数据集和1个海冰数据集上的实验结果证明了该方法的有效性和鲁棒性,对海冰变化检测的准确率达98.50%。     

基于滑动窗口的数据流频繁项集挖掘方法

数据流的特点要求挖掘算法只能经过一次扫描获得挖掘结果,并且要求较低的空间复杂度。结合数据流的特点,提出一种基于滑动窗口的数据流频繁项集挖掘新算法MFIM。该算法采用二进制向量矩阵表示滑动窗口中的事务序列,以这种新的结构来记录频繁项集的动态变化,有效地挖掘数据流频繁项集。理论分析与实验结果表明该算法能获得较好的时间复杂度与空间复杂度。     

基于广度优先搜索的小波聚类算法

针对传统小波聚类算法采用相连定义聚类时精度和效率不够的问题,提出了一种基于广度优先搜索的改进小波聚类算法。该算法综合了小波聚类算法和广度优先搜索邻居聚类算法两者的优势,以小波聚类算法的网格邻居单元定义去改善广度优先搜索邻居聚类算法人工输入参数的敏感性,同时以广度优先搜索邻居聚类算法类门限参数的设定去改善小波聚类算法类划分不精确的缺陷。通过航空发动机转子模拟振动信号实验数据,对其分别进行小波聚类,广度优先搜索邻居聚类以及改进的小波聚类分析,结果表明:基于广度优先搜索的小波聚类能够很好地改善传统小波聚类的聚类精度和聚类速度,明显地降低计算复杂度。     

基于K-medoids聚类算法的研究与实现

随着网络的普及,越来越多的人在Web上了解自己想要的信息,这就使得Web数据集成技术的研究和发展显得越来越重要,其中聚类算法是WEB数据集成中的重要研究课题。在分析总结现有的聚类算法的特点和实现过程的基础上,对K-medoids聚类算法进行改进,使得改进后的K-medoids聚类算法具有更高的效率,用户在Web上查询信息时更方便、更快捷。     

一种基于GA的聚类集成算法

提出了一种基于GA的聚类集成算法ECUNGA(ensemble clustering using NMI and GA).算法利用GA搜索一个与聚类集体差异度小的聚类,以此来达到综合聚类集体信息,得到更优秀的聚类的目的.算法相比于传统基于互信息理论的方法,使用GA搜索,提高了搜索的能力且具有较低计算复杂度.最后,在UCI数据集上进行实验,取得了理想的效果.     

基于用户行为聚类的个性化推荐算法

将介绍一种基于用户行为聚类的协同过滤推荐算法苛刻算法首先采用web日志和数据库记录的方法,将用户的行为记录下来,并将这些隐性的用户行为转化为显性的用户对项目评价;然后采用改进后的相似度计算方法计算用户之间的相似度;接着对用户进行聚类,将用户按照他们的行为自动地划分为若干个用户聚类簇;最后根据用户对最近邻居的评分来预测其对目标项目的评分,进而产生推荐。     

基于滑动窗口的数据流最大频繁项集的挖掘

鉴于频繁项集存在数据和模式冗余的问题,挖掘数据流最大频繁项集的算法引起了极大的关注,本文提出了一种挖掘数据流滑动窗口内最大频繁项集算法——MMFI-SW算法。该算法首先使用类似FP-tree的数据结构记录最新到达的数据流信息,同时删除过时的数据和大量的不频繁项目,然后设计一个创新的方法有效地从数据流滑动窗口中输出最大频繁项集。理论分析与实验结果表明,MMFI-SW算法具有较低的时间复杂度。     

基于数据相似度和引力理论的密度峰聚类算法

本文针对密度峰聚类算法(DPC)中存在的参数敏感、算法不连续和聚类分块化问题,提出一种基于数据相似度和引力理论的密度峰聚类算法(SLDPC)。该算法基于数据相似度确定局部密度,采用引力理论扩大簇心与非簇心数据点之间的差异,通过设定阈值自动确定簇心,通过基于边缘分布的合并策略对聚类分块化进行合并。实验共采用16个数据集,并与DPC、K-means、基于密度的噪声应用空间聚类算法(DBSCAN)及DPC改进算法进行了对比。实验结果表明,本方法具有优异的聚类准确性和良好的稳定性。     

基于蒙特卡洛方法的触发器聚类布局算法

针对触发器聚类的布局问题,提出了一种基于蒙特卡洛方法的触发器聚类布局算法。该方法的核心思想为设计合理的评分函数,并通过蒙特卡洛方法模拟触发器聚类在版图上的随机游走过程,获取样本,再通过评分函数评价样本质量,逐步地在可行域中搜索最优解。实验结果表明,相较于现有的方法,该方法在总线长与时序性能两方面,分别得到平均约9%与17%的改善与提升。此外,该方法具有较强的健壮性,适用于复杂度较高或者版图利用率较高的设计,并能够快速收敛,以较小的时间代价完成优化。     

基于IMS聚类算法的柴油发动机故障诊断方法研究

将IMS聚类算法引入柴油发动机故障诊断中,首先对柴油机各工况振动信号进行特征提取,之后对提取的信号特征进行选择;最后建立IMS聚类算法模型,将提取到的特征量作为该模型的输入参数,实现发动机故障的智能诊断。试验研究在一台V6涡轮增压柴油发动机上进行,以获取训练和验证IMS聚类算法模型的数据。经过数据验证,该模型对于故障的判断全部正确。当前的研究为柴油发动机故障的诊断提出了一个新的检测途径。     

基于视觉系统的聚类:原理与算法

传统的聚类分析方法只强调其对产生数据的物理系统原理的依赖 ,而忽略了人类感知数据结构的方法对聚类分析的影响。我们认为 ,这二者就聚类算法的构造和聚类结果的分析而言 ,具有同等的重要性。人类主要通过眼睛来感知结构。根据这一现点 ,我们提出了基于视觉前端系统尺度空间模型实施聚类的原理与方法。这一方法不仅可用于解决聚类有效性方面那些与人类感知结构方式有关的基本问题 ,而且可克服传统算法对初值敏感、难以找到最优聚类 ,难以确定聚类类数等缺陷。数值实验表明 ,这一方法具有广泛的应用前景 ,特别在那些与人类视觉相关的研究领域 (如图像分析和模式识别 )中 ,这一方法尤为有效     

基于k-均值的文本聚类算法及改进

本文提出了k-means聚类算法中选取初始聚类中心及处理孤立点的新方法,改进了k-means算法对初始聚类中心和孤立点文本很敏感的不足之处,并将改进后的算法应用于中文文本聚类中。实验结果表明,改进的算法较原算法在准确率上有较大提高,并且具有更好的稳定性。     

基于多尺度信息融合的层次聚类算法

在体绘制领域和图像分割中,数据集通常具有流形结构,各部分边界连接紧密且伴随局部噪声,给传统聚类算法的应用带来了较大的困难．本文根据非参数密度估计方法提出了一种基于多尺度信息融合的层次聚类算法．新算法通过整合密度差异和边界信息构造了一种多尺度结构信息融合的相似性度量,通过水平集的图连接策略推导出一种层次化的类结构剖析过程以获取稳定的聚类结果．新算法不受数据集形状、密度类型的限制,无需对数据集进行假设,可自动识别数据集常见的聚类结构特征．同时聚类结果较为稳定,算法对噪声具有较强的鲁棒性．从人工数据集和真实数据集以及应用试验的测试结果可以看出新算法的优越性能．     

采用动态基线的矩形窗口裁剪算法

线段裁剪是计算机图形学的基础算法.在分析现有线段裁剪算法的基础上,提出了动态基线概念,利用动态基线,通过中心对称将裁剪窗口进行动态分区,根据动态分区可快速排除传统分区编码法无法排除的完全在窗口外的线段;进一步引入45°、135°基线,避免了裁剪判别的乘除运算.试验结果表明,该算法有效地提高了裁剪效率,稳定可靠.