基于主动学习的复杂机械结构的可靠性分析

为了提高复杂机械结构的可靠性分析效率，结合自适应学习函数VF和k-means聚类分析方法，提出一种新的主动学习方法AK-MCS-K，该方法兼顾了失效概率的估计精度和计算效率.AK-MCS-K方法实现了并行计算，即采用多台计算机在每次迭代的同时进行多个样本的模拟仿真.在评估仿真耗时、功能函数为隐式的复杂结构的可靠性时，迭代次数的减少可以有效地节省时间，提高计算效率.与其他算法相比，AK-MCS-K方法在满足精度的条件下具有更高的计算效率.最后以某一类型刚柔耦合火炮协调器简化模型为例，对火炮协调器的定位精度可靠性进行了分析.     

基于聚类蚁群算法的多车辆路径优化系统的实现

针对模型的可行性和有效性进行大量的仿真实验,首先对算法进行实现,然后通过仿真实验对不同规模的配送进行仿真配送,模型针对单车辆、多车辆、路径最优、时间最优4个方面进行仿真,其能够在较短的时间内得到优化结果,将大大提高搜索效率.     

对k-means聚类算法的改进研究

本文从k-means算法出发,通过分析和比较,提出一种基于Kruskal算法和贪心策略的改进的k-means聚类算法,并对其进行实验分析,改进算法具有比较好的聚类效果,整体分布比较均匀,聚类效率得到了较大的提高。     

基于动态文本聚类方法的BBS浏览机制研究

BBS作为信息交流的重要载体,包含了海量的各方面的信息,如何从中快速的寻找到有用的信息是一个亟待解决的问题.提出一种基于动态文本聚类方法的BBS浏览机制,并给出具体的实现方案,从实验结果可见,分类效率和效果均良好.     

基于聚类和局部信息的离群点检测算法

针对目前大部分离群点检测算法未考虑数据的局部信息, 导致离群点检测的准确率低问题, 提出一种新的基于聚类和局部信息的两阶段离群点检测算法. 通过定义新的局部离群因子作为判断数据对象是否为离群点的衡量标准, 改进了传统离群点检测算法的过程. 实验结果表明, 该算法在保持线性复杂度的同时, 能更准确、 有效地挖掘出数据集中的离群点.     

一种管道蛇形机器人的裂缝视频检测系统

为实现蛇形机器人在管道内部快速准确的识别管道内壁裂缝,基于一种改进YOLOv3算法为管道蛇形机器人设计了快速检测管道裂缝的系统。系统搭载了500万像素相机以及用于辅助标定的两个激光发生器。此系统通过摄像机采集管道内部视频信息,使用改进YOLOv3算法对视频进行检测,若识别出裂缝则输出当前图像。之后结合激光标定和边缘检测算法得到当前裂缝的物理信息。改进YOLOv3算法使用k-means++算法对裂缝数据集进行聚类,得到最佳先验框,并使用距离交并比代替交并比作为损失函数,以提高精度和速度。实验表明,改进YOLOv3算法平均精度为87.23%,与原始YOLOv3算法相比提高了5.88%;同时基于激光标定算法的图像处理得到的裂缝物理信息与实际信息误差在5%以内,可以用于实际工程。     

一种改进的基于密度和样本数量的K-means算法

对原始K-means算法进行了研究,通过改进,算法能够自动找出合适的k值,并且最大限度的找出孤立点。首先,寻找样本容量的最大可能初始聚类数n。然后做样本圆,将样本圆等分为n份,依据样本点的位置将样本归属到相应的份里,对初始的n个类进行聚类。最后通过应用DBSCAN算法的小类合并策略将需要合并的小类进行了合并。为了测试改进算法的聚类性能,将改进后的算法源码放在新西兰怀卡托大学所开发的开源平台"weka"上,在多个数据集上与原始K-means算法进行了对比实验,验证了改进算法在聚类质量和聚类稳定性上都远优于原始K-means算法。     

基于半监督学习的k平均聚类框架

为克服k-means算法难以探测出一些局部分布稀疏不均、聚类区域的形状与大小不规整数据点集的聚类分布结构这个缺点,在半监督学习思想的指导下,针对混合属性空间区域中具有同一分布性质的带有类别标记的小样本数据集和无类别标记的大样本数据集,提出了一种基于半监督学习的k平均聚类框架。仿真实验表明：该框架经常能取得比k-means更好的聚类精度,从而说明这个半监督学习框架具有一定的有效性。     

A fast SVM training algorithm based on the set segmentation and k-means clustering

At present, studies on training algorithms for support vector machines (SVM) are important issues in the field of machine learning. It is a challenging task to improve the efficiency of the algorithm without reducing the generalization performance of SVM. To face this challenge, a new SVM training algorithm based on the set segmentation and k-means clustering is presented in this paper. The new idea is to divide all the original training data into many subsets, followed by clustering each subset using k-means clustering and finally train SVM using the new data set obtained from clustering centroids. Considering that the decomposition algorithm such as SVMlight is one of the major methods for solving support vector machines, the SVMlight is used in our experiments. Simulations on different types of problems show that the proposed method can solve efficiently not only large linear classification problems but also large nonlinear ones.     

基于分水岭算法的磁共振脑图像自动分割

基于分水岭算法，提出了一种新的非脑组织去除和自动的脑磁共振图像的分割方法，利用区域合并技术克服分水岭算法固有的过分割问题，通过参数的设置，可以将图像中的非脑组织去除掉；对已去除非脑组织的图像，巧妙地将分水岭算法、区域合并和κ—均值算法相结合，可进行全自动地分割，效果良好。