基于分层MRF模型的POLSAR图像分类算法

针对多极化合成孔径雷达（polarimetric synthetic aperture radar, POLSAR)影像由于受到相干斑噪声影响导致分类精度较低,提出了一种基于均值漂移和多尺度马尔科夫随机场的非监督分类算法。该算法首先由Mean-Shift算法得到最粗尺度的初始分类结果,然后由马尔科夫随机场对结果进行优化得到最粗尺度最终分类结果。将上一尺度的分类结果映射到下一尺度作为初始分类结果,然后由Wishart分布对极化协方差矩阵进行建模并采用迭代条件模式（iterative conditional modes, ICM)算法求取基于最大后验下分类结果。逐层映射,最细尺度的结果作为最终分类结果。详细给出了算法的基本原理和实施步骤,并采用E-SAR和AirSAR数据对算法进行了验证。实验表明,与同类算法相比较,算法具有更高的分类精度。     

高维离群检测算法及其应用

离群检测的目的在于找出隐含在海量数据中相对稀疏而孤立的异常数据模式.由于高维数据的特殊性,传统的离群挖掘算法往往不适合发掘高维空间中的离群点.本文将蚁群算法用于改进超图模型,提出了一种新的离群检测算法--AHHDOD算法,在检测出离群数据模式的同时给出离群点的归属.经检验,该算法能有效收敛于最优解,且其时间复杂度更低.最后,将该方法应用于矿难预警检测中,能对可能出现的危机状况给出预警提示.实验证明,该方法取得的预警结果是可信的和可接受的.     

基于离群聚类的异常入侵检测研究

提出了一种离群聚类算法,并分析了算法抗例外点干扰的能力.离群数据是远离其它数据的数据,网络中异常入侵数据的实质就是离群数据,因为异常入侵记录往往呈现小样本和多变性的特点,并且偏离正常网络连接记录.通过定义新的异构样本的相异性度量方法,提出了一种基于离群聚类无监督学习的异常入侵检测方法.仿真实验表明了方法的有效性和实用性,在总检测率方面优于文献中已有的其它方法.     

基于微粒群和子空间的离群数据挖掘算法研究

传统的离群数据挖掘方法大多数是利用全局的观点看待离群数据,很难发现低维子空间中的偏移数据.利用微粒群算法(PSO)具有简单,容易实现并且没有许多参数需要调整等优势,提出了一种基于PSO和子空间的离群数据挖掘算法(OM-PSO).该算法首先将子空间看作微粒,根据偏离数据所在子空间的稀疏系数,采用带有变异算子的PSO算法来搜索子空间,并将子空间中的数据看作为局部偏离数据,即离群数据;最后采用离散化的天体光谱数据作为数据集,实验结果验证了该算法的有效性.     

基于SIFT弹载SAR图像匹配算法

基于尺度不变特征算法,提出了一种适用于弹载合成孔径雷达图像匹配的改进算法。该算法首先通过在构建的高斯差分尺度空间中搜索特征点,然后利用指数加权均值比算子计算特征点的梯度幅值和方向,并通过简化的特征描述子生成特征向量,最后采用距离比和几何一致性准则剔除错误匹配的特征点对,实现图像匹配。实验结果表明,改进算法对SAR图像在旋转、光照、尺度变化等情况下都有很好的匹配效果,并且降低了计算复杂度,有较强的鲁棒性和实时性。     

一种基于马尔可夫链的高维离群点挖掘算法

提出了一种基于马尔可夫链的离群点检测(outlier detection algorithms based on Markov chain, MRKFOD)算法。该算法把基本数据集看作一个加权无向图,数据集中的每个数据表示一个节点,用每条加权边表示节点之间的相似度;形成一个邻接矩阵,把邻接矩阵当作马尔可夫链中的概率转移矩阵;寻求概率转移矩阵的主要特征向量;把每个节点的主要特征向量值作为每个数据的离群度。实验结果表明,该算法与其他高维离群点挖掘算法相比,在效率及有效处理的维数方面均有显著提高。     

基于免疫聚类算法的离群数据挖掘

离群数据挖掘是数据挖掘研究的重要内容,在实际生活中获得广泛应用.论文结合了免疫算法全局搜索的优点和K-均值方法局部收敛速度快的特点,提出了一种基于免疫聚类算法的离群数据挖掘方法,有效地克服了传统聚类方法对初始化敏感、容易陷入局部最优等缺点,使聚类结果能够快速收敛到全局最优,有效地检测离群数据.实验结果表明,该方法实用有效的.     

核模糊C均值聚类算法优选BDS-3三频组合观测值

目前对全球导航卫星系统(global navigation satellite system, GNSS)三频组合观测值优选的研究,主要集中在全球定位系统(global positioning system, GPS)和北斗二号(beidou navigation satellite system, BDS-2)上,对BDS-3的研究相对较少。为克服以往聚类优选算法中存在的仅适用于类球形簇、聚类数目和初始聚类中心的确定主观性强、对离群点敏感、易陷于局部最优等不足,提出一种改进的核模糊C均值聚类算法,引入核函数与抑制离群点的新距离度量,基于多类广义核极化准则优化核参数,用改进爬山法确定聚类数目与初始聚类中心。然后,以模糊C均值聚类算法为对照进行了对比实验,在短、长两种基线下分别解算组合模糊度。通过对优选所得代表性组合的模糊度固定成功率进行对比分析,验证了该算法的可行性与算法改进的有效性。     

基于小波多尺度分析的GARCH建模方法的拓展

考虑到交易周期对资产价格波动特征的重要影响,将小波多尺度分析引入广义自回归条件异方差(GARCH)建模理论, 提出了多尺度广义自回归条件异方差模型和多尺度增广分整广义自回归条件异方差均值模型,同时通过改进迭代的步长参数, 得到了收敛速度快于BHHH算法的数值优化方法.对上证综合指数进行实证分析,结果表明: 该模型克服了GARCH理论无法同时揭示蕴含在资产价格内部的多时间尺度信息的缺陷, 还能够捕获到资产收益率在不同时间尺度上的局部波动特征; 改进后的算法对模型参数估值效果十分明显. 这类模型有助于探究资产价格伴随交易周期演化的微观动力学机制.     

一种基于小波变换的机动目标跟踪算法研究

小波变换是去噪的有力工具 ,它可以将由各种不同频率成分组成的信号分解到不同的频率区间上 ,有效地用于滤波。研究了一种基于多尺度分解的机动目标跟踪算法 ,该算法利用小波中的经典算法———Mallat算法对单一分辨率的测量数据进行多尺度分解 ,将分解得到的多分辨率测量数据用于目标状态更新。该算法是一种准实时最佳滤波算法。仿真结果表明 ,该算法具有良好的跟踪性能 ,且运算量不大。