排序聚类分析算法在派生式CAPP系统中的应用及实现

利用零件的相似性原理对零件分组是派生式CAPP系统的重要内容,对零件的分组是否合理,直接影响到派生式CAPP系统能否正常运行。阐述了排序聚类分析算法在生产流程分析法中的工作原理,分析了利用该算法实现零件分组的实现过程,并用示例验证了该算法。     

模糊聚类分析在土石坝安全监控中的应用

探讨了模糊ISODATA方法在土石坝安全监测中的应用问题，在观测资料分析的基础上，建立了模糊ISODATA模型来监控大坝的运行性态，为工程的安全，高效运行提供科学支持。     

基于潜在类别模型的航空旅客分类

潜在类别模型是用潜在的类别变量来解释外显的类别变量之间的关联,使外显变量之间的关系通过潜在类别变量来估计,进而维持其局部独立性.为研究民航旅客的选择行为偏好、改进航空公司收益管理策略,文中引进潜在类别模型,然后从 PNR 数据中选择合适的观察变量,概率参数化后带入模型进行建模,利用 Mplus 软件对模型进行求解评价,最终得到了最合理的民航旅客分类.由于是基于订票数据的,所以与以往研究相比,此方法从根本上避免了因可靠性带来的偏差风险     

一种基于数据竞争的高分辨率图像的聚类分割算法

近些年,机器人技术得到了迅猛的发展,应用越来越广泛.随着机器人技术的推广和普及,对机器人使用的要求也越来越高,其中对智能机器人的要求尤显迫切.机器视觉是智能机器人研究领域的一个重要研究方向.在机器人视觉系统中,核心问题是目标提取,对目标实时、准确、快速提取的关键技术是图像分割.由于机器人感知的环境的复杂性及目标的多样性,往往导致机器人感知获得的图像数据量较大且图像本身存在不可预知的复杂性,这就对准确的目标分割和提取处理提出了挑战性问题.本文针对高分辨率图像数据集的分割处理,提出一种新的聚类算法,即根据数据点能量和的大小识别类代表点和类成员点,通过数据点间的竞争识别出最有能力成为簇成员的数据点,并将其与mean shift聚类算法有效地结合应用于彩色图像分割问题中,能够快速高效地实现高分辨率图像的目标分割,并得到较好的图像分割效果.实验结果表明,本文算法在分割效果和分割效率上明显优于传统聚类算法.     

一种调整簇阀值的加速聚类分析算法及其应用

针对航运信息中大样本聚类问题,根据k-means聚类过程中大部分簇的调整发生在初始迭代阶段的特性,提出了一种调整簇阀值的加速聚类方法,并对该算法进行实例测试,实验结果证明了该方法在满足原有的聚类精度的基础上,减少了聚类的计算量。本文将该方法应用到船舶航线设计中。     

基于SQL Server的OLAM的研究及应用

OLAM(On-line Analytical Mining)是当前的热点技术,是融合了联机分析处理(OLAP)和数据挖掘(Data Mining)的一种新的数据挖掘技术。本文主要研究数据仓库中OLAP,On-line Analytical Processing和数据挖掘技术,这两个技术是商业智能中的核心技术和主要内容,在两者的基础上引入OLAM的概念,并阐述其基本原理和核心技术。基于微软的SQL Server平台,为一个商业案例建立数据仓库,利用Analysis Services服务,建立销售分析的多维数据集,利用OLAM的基本模型实现OLAP和聚类挖掘技术的结合,借助两者的各自优势,得到很好的客户聚类分析结果。     

基于聚类分析的新书推荐

针对大多数图书馆管理系统中的个性化服务中的新书推荐只是定时将新到馆的图书罗列出来让读者浏览进行推荐,推荐效果差的问题。本文在比较三大常用的推荐技术的优缺点后,采用基于聚类分析的推荐算法推荐新书,并具体给出实现的方法。     

军车多区域无线集群通信故障检测方法研究

研究军车通信故障的准确检测问题。军车在不同环境中,无线集群通信信号分布不均匀,造成军车无线集群通信信号强度变化具有极强的非线性,通信信号强度的不均匀变化容易引起通信故障信号的误动。传统的军车无线集群通信故障检测方法不适合发现大小差别很大的通信信号区域,无法克服通信故障信号误动的干扰,造成通信故障信号的虚报警的问题。提出基于k-medoids的军车多区域无线集群通信故障检测方法,通过对军车通信设备采集的信号参数做特殊的数据预处理,运用聚类分析找出多区域无线集群通信网络中的真实故障信号。仿真实验表明这种方法准确率较高,大幅提高信号分布不均匀区域军车通信故障检测准确度,降低了虚报警率。     

基于聚类优化主动模型人脸识别算法研究

研究人脸识别和跟踪准确度问题。针对在使用大数据样本进行训练前提下,以往AAM算法人脸识别与定位不准确的缺陷,提出了一种新的利用聚类算法对样本空间进行划分,并在此基础上训练多个AAM的分层人脸识别和跟踪算法。首先利用所有训练样本训练得到初始AAM,然后利用一个全新的相似度计算公式,将所有训练样本划分成若干个子类别,在此基础上,针对每个子类别,训练一个相对稳定的AAM。在识别与跟踪过程中,先使用初始AAM进行定位,然后根据子类AAM进行精细化定位,从而得到比以往算法更为精确的定位效果。仿真结果显示改进的算法能准确定位出人脸所在位置,并且具有很高的运算效率,可以方便的实现实时监控系统的人脸跟踪定位及识别等目标。