基于SACO算法的碎纸片拼接复原模型

破碎文件的拼接在司法物证复原、历史文献修复以及军事情报获取等领域都有着重要的应用．文章基于灰度图像原理和欧氏几何理论,定义了列约束匹配准则,分别设计了基于列约束匹配准则的欧氏距离变换算法、类蚁群优化算法SACO,建立了欧氏距离变换模型、类蚁群优化算法的碎片拼接等模型,对碎纸片的拼接复原问题进行了相应的求解．     

机切碎纸片半自动复原模型

为解决机切碎纸片的复原问题,通过进行碎纸片边缘排序和聚类,建立了离散优化模型,解决了纵切和横切的碎纸片拼接问题;当碎纸片的数据量大或内容是文字高度不一的英文时,建立了改进的离散优化模型.根据字高和其它因素,通过合理选择优化模型或少量的人工干预,该模型可以很好地解决碎纸片复原问题.实践证明对于简单和复杂的机切碎纸片该模型都是有效的,准确率高.研究结果表明:该模型可以进一步应用于更复杂的机切碎纸拼接问题.     

基于MATLAB碎纸片拼接复原的技术研究

针对规整碎纸片拼接复原问题,借助碎纸片白底黑字的特征,对不同的碎纸片进行扫描得出像素值,基于理论二值化和模糊C均值聚类,并利用边界原则使两两碎片能够匹配,应用MATLAB软件编辑程序,得到碎纸片的匹配顺序,必要时进行人工干预,从而实现横切纵切碎纸片的拼接复原.     

规则碎片拼接算法

针对通过纵向切割、纵横交错切割等方法得到的碎纸片模型进行拼接复原,以碎片图形边缘像素点的匹配程度为判断依据,提出一种有效的算法,很好地解决了纵横切割所得到的规则碎片模型的拼接问题;在误差调整方面,提出了以计算机辅助人工进行较正取代单纯的人工较正,并给出了辅助算法;对非纵横切所得规则图片的拼接也从理论上提出了相应的算法。     

基于非欧氏距离的广义噪声聚类

利用一种新的距离测度将Dave的广义噪声聚类(GNC)扩展成非欧氏距离的广义噪声聚类(NGNC).模糊C-均值聚类(FCM)和广义噪声聚类都是基于欧氏距离的模型,与它们不同之处在于NGNC是基于非欧氏距离的模型,建立在鲁棒统计观点和势函数基础上,这种非欧氏距离比欧氏距离更加鲁棒,因此NGNC算法比GNC算法更加鲁棒.并且,建立在新的距离测度上的NGNC在处理噪声和野值方面比GNC和FCM更好.实验结果表明了NGNC的良好特性.     

一种基于测地距离的密度峰值聚类改进算法

密度峰值聚类算法（DPC）具有准确率高、自动检测类别个数、识别中心点数目等优良性质.由于DPC算法用欧氏距离度量样本点之间的邻近关系,导致无法有效地提取高维复杂数据中的流形结构信息.针对密度峰值聚类算法的这个瑕疵,考虑到数据点之间的几何特性和流形结构,以测地距离替代欧氏距离,设计了一种改进的密度峰值聚类算法.数值模拟结果显示,改进的密度峰值聚类算法能够有效地处理具有流形分布特征的数据聚类问题.     

利用测地线距离的改进谱聚类算法

针对往复式压缩机故障数据空间分布复杂、常规算法不能有效聚类的问题,提出了一种改进的谱聚类算法.该算法使用新的相似度矩阵计算方式,根据故障数据流形分布的特点引入测地线距离取代欧氏距离作为数据间的关系度量;通过计算各数据点的邻域密度因子有效地识别和剔除了噪声点;利用基于密度的局部欧氏距离调整方法对流形间隙过小的区域进行了处理.在几个人工数据集和往复式压缩机故障数据集上的测试结果表明,改进谱聚类算法对于具有流形分布、多尺度、有噪声、流形间隙过小甚至交叉等特点的数据具有很好的聚类能力,聚类准确率比常规的k-均值和MSCA谱聚类算法分别提高了50.86%和8.6%.     

基于马氏距离的模糊聚类优化算法——KM-FCM

为了解决以欧氏距离作为相似性准则的传统模糊聚类算法对多维数据处理不利的问题,采用马氏距离代替欧氏距离,对基于马氏距离的模糊聚类算法进行优化研究,以增强基于马氏距离的模糊聚类算法的聚类效果和能力。通过构造启发式搜索与k-means算法结合的初始优化方法,利用可以自动调节最佳聚类数的有效性函数,提出了一种优化算法KM-FCM,并将此新算法与FCM,FCM-M,M-FCM聚类算法在3个标准数据集上进行了实验。结果表明,KM-FCM算法有效,聚类精度比FCM,FCM-M,M-FCM高,对高维数据聚类识别能力强,具有全局优化作用,并且聚类个数无需提前设定。新算法可为基于马氏距离的模糊聚类算法的优化提供参考。     

碎纸片拼接复原的灰度匹配技术研究

鉴于破碎的文献资料在诸多领域里有着广泛的应用,本文通过对两种主要而又典型的破碎文献资料——纵向(横向)破碎、纵横向破碎的文献资料的拼接与复原问题进行分析,根据破碎纸张的大小,文字的间距等信息建立灰度匹配模型和边缘检测模型,并通过相关的算法,编写Matlab程序来解决碎纸片拼接复原问题。     

数据挖掘在电力负荷坏数据智能辨识与修正中的应用

负荷历史数据由于各种原因含有一定的坏数据,在进行高精度的电力负荷预测或系统分析前必须对历史数据进行预处理.本文采用基于加权核函数的模糊C均值聚类的改进算法-WKFCM,以核诱导距离的简单两项和替代欧氏距离作为聚类目标公式的不相似性测度函数,减小了计算复杂度.对数据进行聚类之后,采用收敛速度快、模式分类能力强的超圆神经元网络数据辨识模型,并对识别出的坏数据进行修正,实例证明本文提出的数据处理模型具有较好的效果.     

一种基于微分流型的Web检索算法

为进一步提高Web的检索性能,提出了一种基于微分流型的 Web检索算法.该算法的核心思想为:用微分流型描述Web空间,用流型的切平面模拟Web的切空间,将流型上2点之间的测地线距离转化为二维平面上点与点之间的欧氏距离,基于距离的匹配过程由原来的在整个文档集合中进行,转换为仅在查询的邻域内进行,以减少匹配过程的计算量.实验结果表明,该算法的查准率比 Google和 IIT分别提高 35 24%和40 93%,它更适合于大型异构Web文档集合的检索.     

一种改进的凝聚层次聚类法

以实例说明了选用以欧氏距离或明考斯基距离为距离度量的凝聚层次聚类法进行聚类时会出现的问题,并详细分析了用该算法出现问题的原因.结合模糊聚类思想,给出了一种改进算法,通过实例说明该改进算法的合理性和有效性.     

基于粒子群优化的马氏距离模糊聚类算法

为解决传统模糊聚类迭代算法对初始化敏感,易陷入局部最优及处理高维数据时精度下降的问题,对基于马氏距离的模糊聚类算法(fuzzy c-means algorithm based on Mahalanobis distance,M-FCM)进行优化。将马氏距离代替欧氏距离,通过构造类内紧致度、类间分离度与类间清晰度结合的适应度函数,利用粒子群优化算法(particle swarm optimization,PSO)对马氏距离模糊聚类进行研究,提出了基于粒子群优化的马氏距离模糊聚类算法(Mahalanobis distance fuzzy clustering algorithm based on particle swarm optimization,DPSOM-FCM),并将此新算法与FCM(fuzzy c-means algorithm),M-FCM,PSO-FCM,IFPSOFCM(importance for fuzzy clustering algorithm based on particle swarm optimization)算法,在UCI(university of californiairvine)数据库的6个标准数据集上进行实验对比分析。结果表明,DPSOM-FCM算法具有算法收敛性和聚类有效性,并且聚类精确度优于其他算法,对高维数据的聚类识别能力强,即该算法具有全局优化作用。     

基于边界像素匹配的碎片拼接问题研究

文中针对碎纸机破碎纸片的双面文字拼接复原问题,以边界像素数据差值最小为优化目标,建立0-1规划模型,并设计了实现拼接复原的算法。与以往人工拼接不同,所设计算法采用分治思想将拼接过程分为横向和纵向,借助Matlab进行机器拼接,并利用边界像素匹配得到机器拼接规则。实验结果表明,该方法可以高效、准确地完成数量庞大的单/双面碎纸片的拼接。     

基于流形距离的段混合聚类算法研究

聚类分析是一种数据缩减技术,即基于数据特征的相似性将数据聚集成不同的类,是数据挖掘中一种非常有效的工具,得到了人们广泛的关注。从聚类算法中的相似性度量问题入手,采用基于流形距离的相似性度量替代传统的基于欧氏距离的相似性度量,通过二阶段聚类解决引入流形距离带来的计算量增大问题,并将这种聚类算法应用到聚类分析当中。     

Weka平台上距离指数自动寻优的模糊C-均值聚类算法

针对距离计算对模糊C.均值聚类(Fuzzy C-Means,FCM)中心比较敏感的问题,文中提出了一种改进的模糊C.均值聚类算法(Minkowski Fuzzy C-Means,MFCM).MFCM算法采用距离指数可自动寻优的闵可夫斯基距离代替欧氏距离来计算样本集的相似度,以提高数据集的聚类准确率,减小平方误差总和.实验结果表明,Glass数据集、Balance-scale数据集和Vehicle数据集的聚类准确率分别由原来的42.52％、55.84％和45.86％提升到51.87％、62.56％和45.98％.此外,文章在开源数据挖掘Weka平台上实现了FCM和MFCM算法,弥补了Weka平台上集成少量聚类算法的不足.     

一种改进的K均值聚类算法

针对传统K均值算法中采取的欧氏距离计算相似性的不足,提出一种新的相似性计算方法,并将这种方法与欧氏距离的度量方法进行了比较。在UC I基准数据集上的实验表明,该方法有更稳定的聚类结果,是一种比较有效的聚类度量方法。     

基于谱聚类的词和文档的联合聚类

文档聚类和词聚类都是重要且被充分研究的问题.大多数现有的聚类算法针对文档和词是分别聚类,不是同时的.本文提出文档集作为文档和词间的一个二部图的模型思想,使用这个思想,联合聚类问题可以被看成二部图的分割问题.为了解决图的分割问题,使用一个新的联合谱聚类算法,即使用适度规模的词-文档矩阵的奇异向量产生好的分割结果.谱算法得到一些最佳的性能,表明奇异向量通过连续放松解决图划分的NP难问题.最后通过实验结果验证联合聚类算法在实践中非常有效.     

八邻域网格聚类的多样性XML文档近似查询算法

提出了一种基于八邻域网格聚类的多样性XML近似查询算法.首先给出了支持XML文档间语义距离计算的3种编辑操作代价模型,再利用XML文档间的语义距离建立XML文档的向量模型并设计基于八邻域网格的XML文档聚类算法,进而利用聚类过程中得到的物理和逻辑聚类中心对静态有序选择算法的查询评估策略进行优化,这样做只需定位聚类中心所在组群的局部范围,并在该范围内进行目标查询,而无需遍历整个XML数据库,从而快速返回满足用户需求的查询结果.经汽车外形智能化设计实验表明,所提算法的查询速度比静态有序选择算法平均提高了3~4倍.     

K-means算法的分析及改进

研讨了数据挖掘中K-means聚类算法,在继承经典K-means算法的优点和基于最大最小距离的方法基础上实现了算法的改进,改进后的算法可根据欧氏距离度量的方法自动确定聚类中心个数K值,并能够识别数据对象中存在的孤立点和噪声,经过实验证明改进后的算法在执行效率、稳定性和K值确定方面都优于K-means算法.