基于混合学习矢量量化算法的遥感影像分类

在分析了Kohonen自组织特征映射网络(SOFM)和学习矢量量化(LVQ)算法的基础上,提出一种基于改进的SOFM算法和LVQ2算法的混合学习矢量量化(HLVQ)方法,并建立了基于HLVQ的遥感影像非监督和监督分类的一般模型。通过与传统的统计分类方法和LVQ2网络分类器比较,HLVQ分类器总的分类性能更好、识别率更高。     

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.     

基于局部统计特性和IHS变换的遥感影像融合

针对传统的高通滤波方法,提出了利用遥感影像的统计特性和IHS变换进行融合的方法。该方法通过对两幅遥感影像直方图匹配,进行影像融合。采用偏差指数、平均梯度和不同关系数三个指标对融合结果进行了定量评价。实验结果表明,与传统的高通滤波法相比,该方法在提高了多光谱影像空间分辨率的同时,更好地保留了多光谱影像的光谱信息     

面向查询点的遥感影像哈希检索方法

由于存储成本低,查询速度快,哈希检索算法已被广泛应用于大规模影像检索。针对大规模遥感影像数据集训练低效问题,提出了面向查询点进行特征学习的遥感影像检索方法。首先,利用深度卷积网络对具有多语义标签的遥感影像数据训练集提取遥感影像特征;然后,面向查询点学习得到哈希函数并生成查询点的二进制哈希码;最后,通过迭代学习得到整个数据库的二进制哈希码来实现影像检索,有利于提高检索精度;同时,该方法避免了对整个数据库进行特征提取,从而可以更有效地利用大规模数据库中的监督信息。在3个不同数据集上的实验结果表明,该方法检索性能优于其他多种先进方法。     

快鸟数据在光学遥感器成像仿真中的应用

针对早期光学遥感成像模拟软件基于地面图像或机载航空图像的情况,提出针对高分辨率快鸟图像进行航天光学遥感器成像仿真的方法。基于高分辨率快鸟图像,采用ISODATA法进行非监督分类,得到土地分类专题图,通过地物光谱数据库进行反射率转换,从而获得地面反射率图像;利用大气辐射传输软件MODTRAN对其进行大气修正,结合卫星遥感器辐射定标系数,最终得到卫星遥感器输出图像。通过系统仿真结果表明,利用快鸟进行光学遥感器成像仿真为伪装效果检验提供一种有效的手段。     

基于邻域加权模糊C均值的遥感影像分割

遥感影像分割是遥感影像识别和理解的前提和基础,遥感影像分割的结果直接决定着后续像分析和理解的质量。针对经典模糊C均值(Fuzzy C-Means,FCM)聚类算法分割图像时存在的不足,即该算法只考虑图像中像素自身的灰度值信息而没有考虑其邻域内的像素空间信息从而对噪声比较敏感,提出了一种邻域加权FCM(Neighboring Weighted FCM,NW-FCM)的遥感影像分割算法,该算法中邻域窗口内各系数(权)的值是根据图像自身的特性而自适应确定的。通过分割合成图像和实际的高分辨率遥感影像的实验结果表明,相对于其他几种方法,所提的方法取得了更好的分割效果。     

基于非采样contourlet变换的多光谱和全色图像自适应融合算法

光谱保持和高分辨率保留是影像融合的两个重要问题。提出了一种自适应的基于非采样contourlet变换的多光谱和全色图像的融合方法。该方法在对多光谱影像进行IHS变换的基础上,对多光谱的I分量和高分辨率的全色影像分别进行非采样轮廓波变换(NSCT),然后对分解得到的近似分量以及各层金字塔各方向的细节分量利用本文提出的自适应基于局部特征的融合准则进行影像融合,通过非采样contourlet逆变换得到新的I分量,最后与H,S分量一起还原到RGB空间,得到融合后的高分辨率多光谱彩色图像。采用一组多光谱图像和全色图像数据进行融合实验,利用均值、标准差、熵、光谱扭曲度和相关系数5个重要评价指标对融合效果进行数理分析。实验融合图像的目视效果和统计指标均优于传统的IHS融和方法、小波融合方法以及contourlet变换方法。     

一种极化SAR图像模糊分类方法

针对极化合成孔径雷达图像模糊非监督分类问题,给出了一种改进的极化合成孔径雷达图像模糊分类方法。该方法通过引入极化总功率参数--span,改进极化合成孔径雷达图像模糊H/α分类方法,进行极化合成孔径雷达数据模糊H/α/span非监督分类。利用机载极化合成孔径雷达数据进行实验。实验结果表明,改进的方法提高了分类性能,聚类中心更为合理。     

Laplace核函数的衰减系数研究

核函数的衰减系数是影响核函数方法分类性能的重要因素。分析了信号分析理论中关于采样信号的不失真重建问题与Parzen窗函数方法的关系,讨论了核函数残留边带信息量与指定采样频率条件下特征变量的自信息量之间的关系。推导了Laplace核函数在均匀采样条件下的衰减系数的计算公式,分析并给出了非均匀采样情况下衰减系数计算和处理方法。实验结果表明,与传统的基于Gauss核函数的Parzen窗函数法、经典的KNN方法、BP神经网络以及SVM方法相比,提出的Laplace核函数参数设置方法具有较高的总体分类性能。     

基于密度峰值搜索的全极化SAR图像分类

提出一种基于密度峰值搜索(find of density peaks,FDP)的全极化SAR图像(polarimetric synthetic aperture radar,POLSAR)无监督分类方法。由于在边缘地带以及奇异点的散射类型复杂,在无监督分类过程中干扰巨大,本文通过构建基于信息熵的显著性图来剔除这一类点的影响,并对剩余部分的参数进行了加权处理。随后在H//A/SPAN空间基于FDP方法进行无监督分类。最后通过ESAR的数据进行了实验验证,结果证明了方法的有效性。     

改进粒子群优化算法及其在聚类分析中应用

针对标准粒子群优化算法初期收敛速度快,后期容易陷入早熟收敛,局部寻优,全局搜索能力差等缺点,提出了一种新的鱼群-粒子群优化算法(AF-PSO)。引入拥挤因子δ和马尔可夫链,将鱼群算法加入到粒子群优化算法中,通过计算拥挤因子,来更新速度模型,使其在觅食,聚群,追尾,随机4种模态下进行切换。仿真结果表明了所提出的AF-PSO算法的综合性能优于其他改进的PSO算法。为进一步说明算法的实用性,将AF-PSO算法成功应用于输油管道泄露数据的聚类分析上。实验结果表明基于AF-PSO的K-means算法性能是优于其他聚类算法。     

基于降维和聚类的大规模多目标自然计算方法

在多目标优化问题中，随着决策变量数目增多，算法的寻优能力会显著下降，针对这种“维数灾难”的问题，提出基于LLE降维思想和K-means聚类策略的大规模多目标自然计算方法。首先通过LLE降维思想对决策变量进行优化，得到高维变量在低维空间中的表示，再通过K-means策略对个体分组，为种群选择合适的引导个体，提高算法的收敛性和多样性。为验证算法有效性，将该方法应用于多目标粒子群优化算法和非支配排序遗传算法中，对收敛性进行了分析，证明该算法以概率1收敛。通过ZDT、DTLZ系列8个测试问题进行仿真试验，与6个代表性算法进行对比，通过PF、IGD指标、HV指标的评价结果验证其综合性能，并将其应用于水泵调度问题中。综合实验结果表明，所提方法具有较好性能。     

Distributed Consensus-Based K-Means Algorithm in Switching Multi-Agent Networks

This paper discusses a distributed design for clustering based on the K-means algorithm in a switching multi-agent network, for the case when data are decentralized stored and unavailable to all agents. The authors propose a consensus-based algorithm in distributed case, that is, the doubleclock consensus-based K-means algorithm(DCKA). With mild connectivity conditions, the authors show convergence of DCKA to guarantee a distributed solution to the clustering problem, even though the network topology is time-varying. Moreover, the authors provide experimental results on various clustering datasets to illustrate the effectiveness of the fully distributed algorithm DCKA, whose performance may be better than that of the centralized K-means algorithm.     

引导函数支配的进化模糊聚类算法

建立了多维属性样本的模糊聚类目标函数.构建了引导进化算法收敛的指数函数曲线模型,给出了模型的参数计算方法.设计了一种具有全局变异和局部变异算子的进化模糊聚类算法,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异,并给出了算法的种群进化策略.选择文本分类和点聚类计算实例,实验表明,设计的引导函数是有效的.进化模糊聚类算法具有较强的局部寻优能力,在收敛速度和聚类精度方面优于比较的遗传模糊C-均值聚类等算法.     

基于多维伪F统计量的基因表达动态聚类分析方法研究

K-均值聚类分析算法是一种广泛应用于基因表达数据聚类分析中的迭代变换算法，它通过指定类别数K-基于给定的聚类目标函数，并采用迭代更新的方法，使得最终的聚类结果的目标函数值为极小值，达到较优的聚类效果。针对K-均值聚类分析算法存在参数依赖性强，且在整个聚类过程中类的数目无法改变的缺点，引入动态调整聚类个数的思想和多维伪F统计量，提出了一种基于多维伪F统计量的基因表迭动态K-均值聚类算法。实验结果表明该算法可以动态调整聚类个数，给出最佳聚类数目，从而获得较好的聚类质量．     

柔性作业车间AGV与机器双资源集成调度研究

针对含有AGV(automated guided vehicle)的柔性作业车间调度问题,建立了以最小化最大完工时间为目标的双资源集成调度优化模型.在种群初始化过程中提出一种启发式初始化方法,提高种群初始解的质量,加快算法的收敛速度.针对离散粒子群算法易早熟的弊端,结合竞争学习机制和随机重启机制提出一种可有效避免早熟的...     

粗糙核k-means聚类算法

通过研究核聚类算法,以及粗糙集,提出了一个新的用于聚类分析的粗糙核聚类方法。通过mercer核映射把输入空间中的样本映射到Hilbert空间,使样本空间中没有显现的特征在特征空间中突现出来,在这种样本差异加大的基础上,结合粗糙集的思想,把样本分别划到相应聚类中心的上、下近似中,上、下近似中的样本按照一定的比例来共同决定新的聚类中心。这样不但聚类精度大大提高,而且算法收敛速度也较快。仿真实验的结果表明该算法的可行性和有效性。     

基于自适应稀疏表示的高光谱遥感图像分类

针对多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题,从稀疏表示基本理论出发建立了一个基于自适应稀疏表示的高光谱分类模型。利用训练样本构建字典,聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,然后将测试样本看成冗余字典中训练样本的线性组合,令字典能够更适应于样本的稀疏表示。利用华盛顿地区的HYDICE高光谱遥感数据进行试验,并且与主成分分析、线性鉴别分析、支持向量机、神经网络算法进行比较,结果表明,该算法的总体分类精度比其他算法提高了约12%,有效提高了高光谱影像的分类精度。     

Genetic Algorithms for Auto-Clustering in KDD

1. INTRODUCTIONClustering analysis is one of the major techniques in knowledge discovery in database (KDD),and other fields such as pattern recognition [1, 91. It is an approach to divide a data set illtosome categorically homogenous subsets called "clusters". The K-means algorithm [1] is a wellknown algorithm for this problem. It is a typical iterative hill-climbing algorithm, and thesolution obtained depends on the initial clustering. Although the K-means algorithm has beenapplied to …     

基于PS-IFKCM的弹道中段目标识别方法

针对现有直觉模糊核c-均值(intuitionistic fuzzy kernel c-means,IFKCM)聚类算法对初始值敏感、易陷入局部最优解及收敛速度慢等缺陷,汲取了粒子群优化(particle swarm optimization,PSO)算法优势,对初始聚类中心进行优化,提出了基于粒子群优化的直觉核c-均值(particle swarm-based intuitionistic fuzzy kernel c-means,PS-IFKCM)聚类算法,选取4组标准数据集实际样本数据对算法的有效性进行了试验。最后选取弹道中段目标识别常用的雷达截面积(radar cross section, RCS)这一特征属性进行弹道中段目标识别仿真实验,并将其与模糊c-均值（fuzzy c-means, FCM）算法、IFKCM算法的识别效果及运行时间进行比较分析,表明了该算法应用于弹道中段目标识别的有效性及优越性。