基于区域分割的伪装迷彩设计研究

该文主要介绍了图像分割技术的发展现状以及区域分割的方法,并对颜色空间的分类及其各类的特点做了简单的介绍。在对区域生长法原理及算法介绍的基础上,结合山地高空所拍摄植被的光学照片,进行伪装迷彩设计中的背景分割试验．从而验证区域生长法在彩色图像分割中的分割效果。     

基于遗传算法的K均值聚类分析

1 前言聚类分析就是将数据对象分组成为多个类或簇,在同一个簇中的对象之间具有较高的相似度,而不同的簇中的对象差别较大。聚类分析目前应用广泛,已经成为数据挖掘主要的研究领域。通过聚类,人们能够识别密集的和稀疏的区域,从而发现数据的整体分布模式,还能找到数据间的有趣的相互关系。关于聚类分析目前已经有K均值,CURE等很多算法,     

基于区域分割的伪装迷彩设计研究

该文主要介绍了图像分割技术的发展现状以及区域分割的方法,并对颜色空间的分类及其各类的特点做了简单的介绍。在对区域生长法原理及算法介绍的基础上,结合山地高空所拍摄植被的光学照片,进行伪装迷彩设计中的背景分割试验,从而验证区域生长法在彩色图像分割中的分割效果。     

基于光学伪装的数码迷彩技术

基于光学伪装的数码迷彩是一种通过提取自然背景的纹理、颜色和层次等信息,并以数码像素点阵图案的形式表现出来的新型迷彩。文章对数码迷彩的研究发展现状、数码迷彩设计技术、伪装效果评价方法等做了全面系统的介绍。     

基于小波纹理特征的迷彩伪装评价

伪装效果分析是伪装设计的重要环节之一,采用计算机智能评价方法代替人的主观评价可以降低评价结果的随机性,提高其客观性和有效性。该文提出对图像多层小波进行分解,用小波特征系数计算纹理相似度的方法来评价军事伪装效果。实验数据表明,使用小波纹理相似度可以量化反映出迷彩伪装的有效度,评价准确性更高。     

基于遗传算法的K均值聚类分析

传统K均值算法对初始聚类中心敏感,聚类结果随不同的初始输入而波动,容易陷入局部最优值。针对上述问题,该文提出一种基于遗传算法的K均值聚类算法,将K均值算法的局部寻优能力与遗传算法的全局寻优能力相结合,在自适应交叉概率和变异概率的遗传算法中引入K均值操作,以克服传统K均值算法的局部性和对初始中心的敏感性,实验证明,该算法有较好的全局收敛性,聚类效果更好。     

数码迷彩空间混色的影响因素研究*

针对数码迷彩的空间混色问题开展了一系列的研究实验,分析了各种影响因素与混色的关系。从人眼视觉、空间混色的形成过程入手,通过三原色的混色实验和数码迷彩的混色实验,对其影响因素如色块大小、观测距离等进行研究和量化分析,获得了它们对空间混色影响的基本规律。实验结果对于数码迷彩的设计和优化将提供可靠的参考依据。     

基于模糊C均值算法的云南草药聚类分析

针对云南草药识别方法的简单性、不科学性问题,提出一种基于模糊C均值算法的聚类方法。利用高效液相色谱法提取云南特色草药肉桂的指纹图谱,再通过模糊C均值算法对指纹图谱数据进行聚类。通过与传统K均值算法进行对比,实验结果证明模糊C均值算法具有较高的分类识别能力。     

改进K均值算法实现提花花型的自动识别

介绍了一种改进型K均值算法,以及该算法在提花毛皮花型自动识别中的应用。详细叙述了算法的实现步骤,通过实验证明该算法能有效地实现提花毛皮花型的自动识别。     

极大熵球面K均值文本聚类分析

提出了一种基于极大熵理论的球面K均值文本聚类算法ME-SPKM。该算法利用了传统文本聚类算法SPKmeans中使用的余弦相似度度量,进而引入极大熵理论构造了适合文本聚类的极大熵目标函数。对文本数据的实验证明了极大熵球面K均值文本聚类算法取得了比传统文本聚类算法更好的聚类效果。     

半监督的改进K-均值聚类算法

K-均值聚类算法必须事先获取聚类数目,并且随机地选取聚类初始中心会造成聚类结果不稳定,容易在获得一个局部最优值时终止。提出了一种基于半监督学习理论的改进K-均值聚类算法,利用少量标签数据建立图的最小生成树并迭代分裂获取K-均值聚类算法所需要的聚类数和初始聚类中心。在IRIS数据集上的实验表明,尽管随机样本构造的生成树不同,聚类中心也不同,但聚类是一致且稳定的,迭代的次数较少,验证了该文算法的有效性。     

结合Isomap与K均值聚类算法的交通时段划分研究

为避免在城市交通多时段定时控制中人工时段划分方法所带来的主观性、片面性,以提高工作效率,结合流形学习算法中的等距映射算法和K均值聚类算法,提出了一种时段划分新方法。给出一组实测数据,假设它是一个存在于高维数据空间中的低维流形;利用等距映射算法,找出它的内在维数,将数据约简;根据约简后的样本点分布情况,利用K均值聚类算法聚类,划分交通时段。实验结果表明,此方法划分交通时段准确高效,并有效地避免了人工划分方法的主观性。     

基于分类的半监督聚类方法

提出一种基于分类的半监督聚类算法。充分利用了数据集中的少量标记对象对原始数据集进行粗分类,在传统k均值算法的基础上扩展了聚类中心点的选择方法;用k-meansGuider方法对数据集进行粗聚类,在此基础上对粗聚类结果进行集成。在多个UCI标准数据集上进行实验,结果表明提出的算法能有效改善聚类质量。     

LUV色彩空间中多层次化结构Nyström 方法的自适应谱聚类算法

提出一种在LUV空间中基于多层次化结构Nystrm方法的自适应谱聚类算法。首先引入LUV色彩空间,避免了RGB色彩空间中色彩辨别阈对分割的影响,在纹理、边缘区域取得了更好的分割效果;其次将谱聚类算法中基于多层次化结构的方法和基于Nystrm采样的方法结合起来,有效减少了运算时间、解决了数据量较大时计算过程中内存溢出的问题;最后在K均值聚类中通过对特征间隙(eigengap)的分析,自适应地选择K值的大小,解决了自动确定聚类数目的问题。将提出的方法在LUV色彩空间中和RGB色彩空间中分别进行图像分割实验,结果表明在LUV色彩空间中取得效果更加理想。同时也将提出的算法与基于Nystrm方法的谱聚类算法(spectral clustering-Nystrm,SC-N)进行比较。实验结果表明,该算法在数据运算量、运行时间和分割结果上都优于SC-N方法。     

Harmony K-means algorithm for document clustering

Fast and high quality document clustering is a crucial task in organizing information, search engine results, enhancing web crawling, and information retrieval or filtering. Recent studies have shown that the most commonly used partition-based clustering algorithm, the K-means algorithm, is more suitable for large datasets. However, the K-means algorithm can generate a local optimal solution. In this paper we propose a novel Harmony K-means Algorithm (HKA) that deals with document clustering based on Harmony Search (HS) optimization method. It is proved by means of finite Markov chain theory that the HKA converges to the global optimum. To demonstrate the effectiveness and speed of HKA, we have applied HKA algorithms on some standard datasets. We also compare the HKA with other meta-heuristic and model-based document clustering approaches. Experimental results reveal that the HKA algorithm converges to the best known optimum faster than other methods and the quality of clusters are comparable.     

基于聚类分析的跳频序列选取

通过对任意序列之间相似性的定义,将序列影射到合适的高维空间当中,给出在高维特征空间当中序列之间的内积,构造出可选序列集的核矩阵,进而对跳频序列集进行聚类分析,发现序列集投影在特征空间中的聚类结构,进而分析得出各个聚类的质心,特征空间中离质心最近的点所对应的序列即为跳频电台异步组网的可用跳频序列。k-均值法与谱方法等聚类分析算法保证了聚类内部距离最小化和聚类之间距离最大化,从而减少了跳频序列的碰撞几率,提高了组网的效率和频率利用率。     

基于该粒子群算法的聚类算法

提出了一种基于改进的粒子群算法的聚类方法。该算法是将局部搜索能力强的K-均值算法和基于遗传算法的交叉、变异操作同时结合到粒子群算法中。既提高了粒子群算法的局部搜索能力、加快了收敛速度,同时因为加入了交叉、变异操作,有效地防治了早熟收敛现象的发生。实验表明该聚类算法有更好的收敛效果。     

一种带变异操作的粒子群聚类算法

针对基本粒子群算法的早熟收敛和收敛较慢的问题,提出了一种带变异操作的粒子群聚类算法。算法中对出现早熟收敛的种群采取变异操作,使其能够跳出局部最优解。对Iris植物样本数据的测试结果表明：该算法具有很好的全局收敛性和较快的收敛速度。     

具有自适应参数的粗糙k-means聚类算法

粗糙聚类是不确定聚类算法中一种有效的聚类算法,这里通过分析粗糙k-means算法,指出了其中3个参数w_l,w_u和ε设置时存在的缺点,提出了一种自适应粗糙k-means聚类算法,该算法能进一步优化粗糙k-means的聚类效果,降低对“噪声”的敏感程度,最后通过实验验证了算法的有效性。     

K均值和中值滤波混合算法及其递归实现

针对标准中值滤波算法边缘保持能力较差的缺点,设计了K均值中值滤波算法和递归K均值中值滤波算法。使用K均值方法将中心像素点的邻域数据序列分成两类,将该像素点所属的这类数据的中值作为输出。为了加快算法的速度,提出了两个阈值T_L和T_H,保证在不影响结果精确性的同时尽量减少处理时间。传统的K均值算法耗时较高,论文的另一个改进是对K均值的优化处理,大大缩短了算法的处理时间。实验证明改进算法具有较好的噪声抑制能力和边缘保持能力。