基于半监督聚类的入侵检测模型

利用少量的标记数据和约束辅助聚类过程,提出一种基于半监督聚类的入侵检测模型.实验结果表明,与基于监督和非监督学习的入侵检测算法相比,基于半监督聚类的入侵检测算法可以更加有效地检测出未知攻击.     

半监督学习在入侵检测系统中的应用

提出了一种基于半监督模糊聚类的异常入侵检测方法,半监督学习算法的训练样本包括已标记数据和未标记数据,在训练系统模型时使用少量已标记样本和大量未标记样本作为种子初始化入侵检测系统的分类器,在少量已标记数据的约束下利用模糊C均值方法生成聚类,无需提供大量标记数据,不易陷入局部最优.实验表明,与FCM算法相比具有较高的性能.     

半监督聚类算法及其在入侵检测中的应用

针对现有入侵检测技术的不足,对基于机器学习的异常入侵检测系统进行了研究,提出了一种基于半监督聚类的异常入侵检测算法。此算法通过利用少量的标记样本,生成用于初始化算法的种子聚类,然后辅助聚类过程,对数据进行检测。实验表明,与以往入侵检测算法相比,此算法可以明显地改善入侵检测系统的性能。     

基于半监督K-means的K值全局寻优算法

提出一种基于半监督K-means的K值全局寻优算法,该算法打破传统方法中采用样本类别作为K值的限定,利用少量标记数据即可指导和规划大量无监督数据.结合数据集自身的分布特点及聚类后各个簇内的监督信息,根据投票方法来指导簇中数据集的类别标记.实验表明,本文所提出的方法可以有效的寻找适合数据集的最佳K值和聚类的中心,提高聚类性能.     

基于成对约束的主动学习半监督聚类算法

半监督学习是近年来机器学习领域中的一个重要研究方向,其监督信息的质量对半监督聚类的结果影响很大,主动学习高质量的监督信息很有必要.提出一种纠错式主动学习成对约束的方法,算法通过寻找聚类算法本身不能发现的成对约束监督信息,将其引入谱聚类算法,利用该监督信息来调整谱聚类中点与点之间的距离矩阵.采用双向寻找的方法,将点与点间距离进行排序,使得学习器即使在接收到没有标记的数据时也能进行主动学习,实现了在较少的约束下可得到较好的聚类结果.同时,该算法降低了计算复杂度,并解决了聚类过程中成对约束的奇异问题.通过在UCI基准数据集以及人工数据集的实验表明,算法的性能好于相关对比算法,并优于采用随机选取监督信息的谱聚类性能.     

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。     

基于半监督的K-means聚类改进算法

针对原始K-means算法的一系列问题,提出一种基于半监督的K-means聚类改进算法,能够自动进行聚类,找出最优K值,并且最大限度地找出孤立点.首先根据样本集自身的特点,按照"类内尽可能相似"原则一步一步形成数据集,然后对数据集进行"去噪"与合并相似簇,最后,利用少量的标记信息指导和修正聚类结果.在UCI的多个数据集...     

一种基于半监督降维的聚类算法

半监督聚类通过利用少量有标号样本或成对约束等监督信息来提高聚类性能.在此提出一种新颖的基于半监督降维的聚类算法,首先用半监督降维方法对原始数据进行降维,然后在降维后的空间中进行半监督聚类.由于在降维和聚类两个阶段中都利用了监督信息,从而使得算法的聚类性能得到进一步提升.在UCI标准数据集、yale人脸库以及文本数据集上的实验结果验证了该算法的有效性.     

基于半监督聚类的真核启动子识别

首先将待测试的DNA序列片段利用词项-序列矩阵进行表示,然后通过奇异值分解进行降维,最后采用全局一致性和局部一致性兼顾的半监督聚类算法对长的DNA序列片段进行测试,并与现有的几种启动子识别算法的结果进行对比。     

吸引权重加权FCM的土壤图像阴影检测

【目的】自然环境下机器视觉采集的土壤图像存在阴影,而阴影检测是后续亮度归一化和土种识别的重要预处理工作,基于此提出算法对机器采集的土壤图像进行阴影检测。【方法】首先,对图像的L分量和I分量的密度峰值集进行优化截断对齐,通过高斯平滑获取主峰值点,得到基于L分量和I分量的2因素密度峰值,作为改进模糊C均值（FCM）的自适应初始聚类中心;然后,引入拉伸因子对数据进行拉伸,提升数据差异;最后,定义基于全局密度和类面积的吸引权重,重构FCM优化模型,实现基于FCM的土壤图像自适应阴影检测。【结果】提出的算法检测的阴影区域和非阴影区域的平均亮度标准差分别为25.988 0,27.981 4,比对比算法降低了1.04%~32.23%;提出的算法平均迭代次数和平均运行时间分别为3次和1.515 8 s。【结论】提出的算法可实现自然环境下土壤图像阴影检测,具有检测精度高、时间花销小的特点。研究结果为土壤图像阴影检测提供了参考。     

基于彩色模型的遥感影像阴影检测

依据遥感影像阴影的属性,提出一种基于彩色模型的遥感影像阴影检测方法,以提高阴影检测精度。阴影检测过程中,首先将影像转换到HSV空间。根据阴影区域高色调值、低亮度值和高饱和度的特性,定义M=(S-V)/(H+S+V)。利用光谱比技术和中值滤波,得到初步的阴影区域。其次依据散射理论对蓝光的影响,以及彩色不变特征,提出结合C1C2C3空间的C3分量和RGB空间的B分量进行双阈值阴影检测。为降低阈值选择的主观性,提出将上述两种方法进行与运算,并结合小区域去除和数学形态学处理,进行阴影提取。最后对多幅带有阴影的遥感影像进行实验。结果表明所提出的方法明显优于传统的直方图阈值法和同态滤波检测法,克服了阈值选择的主观性,提高了阴影检测精度。     

一种基于YUV色彩空间的阴影检测方法

针对计算机视觉处理系统中,阴影会严重影响到对目标的跟踪、识别和图像场景的理解的问题,提出了一种基于YUV色彩空间的阴影检测方法并给出了与不同色彩空间的实验对比结果.该算法将分割出的运动目标与背景在亮度和色度进行对比,从而区分出运动目标和运动阴影.实验证明,与其他的阴影检测的算法相比,该方法具有更高的准确性和更快的检测速度.     

彩色图像分割中基于图上半监督学习算法研究

提出一种新的基于图上半监督学习的彩色图像前景/背景分割模型与算法.该算法的目的是利用人工标定的部分像素点分割信息以实现对整幅图像的分割.通过结合像素点颜色特征和像素点颜色与前景/背景颜色的相似性特征,构造了新的图节点之间的双高斯权重函数,并对此提出自适应的参数选择策略与彩色图像半监督分割的能量模型,通过优化该能量模型将...     

室外光源光谱辐照度与K-means结合的单幅图像阴影检测

针对室外自然条件下单幅图像阴影检测困难,提出一种基于光谱辐照度的阴影检测算法。通过对户外光源的光谱特性进行分析,估算出阴影三色衰减模型(TAM)参数,由此得到阴影区域较暗的TAM图像。利用K-means方法将TAM图像分割为阴影区域和非阴影区域,结合中值滤波和形态学算子对阴影区域优化,成功提取出图像中的阴影部分。仿真表明该算法不需要复杂的特征学习过程,能够极大地提高运算速度;同时无需对图像校准以及获取任何先验知识,且可以用于相对复杂的真实场景中。     

一种基于颜色跟踪的彩色边缘检测算法

传统的边缘检测方法大都是基于灰度图像的,用于彩色图像边缘检测时效果往往不能令人满意.本文提出了一种新的彩色边缘检测算法,它充分考虑了彩色图像的边缘特性,使用彩色差进行跟踪,从而弥补了传统边缘检测方法检测时丢失边缘的不足.通过与其它成熟的边缘检测技术进行比较,结果显示:该算法能提取更多的彩色边缘信息,而且检测精度和效果都比较令人满意,具有一定的实用价值和良好的处理效果.     

基于色差梯度的彩色边缘检测方法

彩色图像有亮度、色调和饱和度的信息.为了充分利用彩色图像丰富的信息,在L*a*b*颜色空间中.利用色差梯度算子对彩色图像进行边缘检测.该方法能检测出更符合视觉特性的彩色边缘.实验结果证明了这种方法是有效的,优于基于灰度的边缘检测方法.     

基于LLE的彩色图象人脸检测

分析了人脸与非人脸之间的本质区别,提出了运用局部线形嵌入(LLE)的非线性降维方法,解决非线性结构的高维数据(图象)低维表示的问题,实现了高维输入数据点映射到一个全局低维坐标系,同时保留了邻接点之间的空间关系(即高维空间的几何结构).此算法不仅能够有效地发现数据的非线性结构,同时还具有平移、旋转不变性.运用LLE算法对图象进行降维,再对降维后的数据运用支持向量机(SVM)分类器进行人脸和非人脸的分类.实验结果表明,该人脸检测方法测率较高,并且不受姿态、表情和光照的影响.     

一种基于色差的彩色图像的边缘检测方法

传统的边缘检测方法大都是基于灰度图像的,这就不能充分利用彩色图像的全部信息。文章提出了一种基于色差的彩色图像的边缘检测方法,它能快速准确地检测到图像的边缘,具有低的错判率和较高的效率,优于传统基于灰度的边缘检测方法。     

基于主色色差的彩色图像边缘检测方法

图像边缘是图像重要特征之一,传统的边缘检测方法大都基于灰度图像,将彩色图像转为灰度图像后进行边缘检测不能充分利用彩色图像信息,而基于非均匀空间的彩色图像边缘检测方法也会造成信息丢失。文章提出了一种基于均匀颜色空间CIE1976L*a*b*空间色差的彩色图像边缘检测方法,充分考虑了颜色矢量距离差异和颜色矢量方向差异,能够比较准确的检测到彩色图像的边缘,优于基于灰度和非均匀颜色空间的边缘检测方法。