基于超像素空间关系特征的无人机影像拦河坝提取

针对目前无人机影像提取内河目标存在的人工解译依赖高等问题,提出一种基于超像素空间关系特征的内河设施提取算法.首先,采用简单线性迭代聚类(SLIC)算法分割无人机影像生成超像素;其次,对分割得到的超像素区域进行颜色及纹理特征计算,基于支持向量机(SVM)实现水陆分割;最后,基于空间关系特征实现拦河坝的自动提取.实验结果表明,该方法能够有效提取无人机影像中的拦河坝区域,对内河航运发展和航道设施监测具有一定的应用价值.     

基于伪标签-1D DenseNet-KNN的光伏阵列开集复合故障诊断方法

提出了一种基于伪标签-1D DenseNet-KNN的光伏阵列故障诊断方法,实现在少标签样本下的光伏阵列复合故障开集识别。首先,分析了各种常见单一故障及灰尘覆盖下复合故障的I-V曲线特性。然后,为了克服常规的半监督机器学习算法需手动提取数据特征,采用一种伪标签与1D DenseNet相结合的半监督方法自动提取特征。最后,将对训练数据提取的特征、训练数据预测的标签及测试样本提取的特征输入K最近邻（KNN）算法进行开集复合故障诊断。实验表明,该方法不仅能准确分类各种已知类样本,而且能识别出未知类别故障,并且模型的训练仅需少量标签数据。     

一种基于超像素合并的高光谱图像谱-空降维方法

基于超像素技术和流行的主成分分析方法,提出了一种基于超像素合并的高光谱图像谱-空降维方法,所提出的方法利用新定义的局部模块度函数对超像素进行合并,并在合并后的超像素图上进行降维计算.最后,采用支持向量机对降维后的高光谱数据进行分类,验证降维效果.该方法有效减缓了基于超像素降维方法的降维结果严重依赖于超像素分割尺度的问题...     

基于模拟退火算法的无网格节点生成技术

为克服目前无网格法布点技术仅适用于特定问题的缺点,在分析节点生成技术数学本质的基础上,提出了一种基于模拟退火算法的无网格节点生成技术.该算法结合k-means方法和模拟退火算法(SA)求解约束条件下的多峰值函数全局最小值,在待求计算域内和边界自动生成无网格计算节点,且节点为计算域对应质心Voronoi结构的质心点.该算法可以普遍用于包括凹域和多连通域等任意形状域的布点计算,尤其适用于给定边界节点位置情况下域内无网格节点的生成问题.将所生成节点用线段连接起来,也可以直接得到有限元网格.     

一种基于局部密度的k-means算法

针对k-means算法必须事先指定初始聚类数k,并且对初始聚类中心点比较敏感,聚类准则函数对求解的最优聚类数评价不理想,提出一种基于局部密度的启发式生成初始聚类中心方法,在此基础上设计一种准则函数自动生成聚类数目,改进了传统k-means算法.实验表明改进的算法比传统k-means算法提高了聚类效率.     

一种自适应PC-Kriging模型的结构可靠性分析方法

为提高小失效概率及耗时的复杂结构可靠性评估精度和效率,提出了一种基于PC-Kriging(polynomial-chaos-based Kriging)模型与自适应k-means聚类分析相结合的结构可靠性分析方法.PC-Kriging的回归基函数采用稀疏多项式最优截断集合来近似数值模型全局行为,并用Kriging来处理模型输出的局部变化.在基函数的建立上,PC-Kriging采用最小角回归(LAR)计算功能函数可能的多项式基函数集的数量,同时用Akaike信息准则(AIC)来确定最优多项式形式.自适应k-means聚类分析确保每次迭代添加若干个对失效概率贡献较大的样本点.通过两个数值算例分析,结果表明所提出方法在能够保证失效概率估计值的有效性和准确性的同时减小结构功能函数的评估次数.     

搜索引擎自动性能评估函数的研究

基于聚类分析的搜索引擎自动性能评价方法能自动计算信息类查询的覆盖范围,并根据其覆盖范围对检索结果进行聚类,通过评估函数实现检索性能的自动评价.对如何利用类间距和类内距2个指标来定义合适的评估函数进行了分析,提高了自动性能评价的准确性.     

基于差分的玫瑰线像素级绘制算法

基于光栅扫描特性的图形绘制中,极坐标表示的曲线由于函数中含有高次三角函数运算,在步长选择和迭代的求取上较困难,为此给出了极坐标曲线玫瑰线的一种有效的像素级绘制算法。该算法利用玫瑰线在直角坐标系中的隐函数形式和曲线各阶差分的递推计算,在玫瑰线的点迭代过程中避免了三角函数运算,只用到整数加减运算,故效率高,生成的曲线在坐标轴方向最大偏差不大于半个像素单位。     

基于差分的玫瑰线像素级绘制算法

基于光栅扫描特性的图形绘制中，极坐标表示的曲线由于函数中含有高次三角函数运算，步长选择和迭代的求取较困难，为此给出了极坐标曲线玫瑰线的一种有效的像素级绘制算法。利用玫瑰线在直角坐标系中的隐函数形式和曲线各阶差分的递推计算，算法在玫瑰线的点迭代过程中避免了三角函数运算，只用到整数加减运算，效率高，生成的曲线在坐标轴方向最大偏差不大于半个像素单位。     

一种增强模拟纬编针织物外观真实感的方法

为增强模拟纬编针织物外观的真实感,在已有三维线圈模型的基础上,通过引入球的极坐标方程和基于类正态分布函数的随机方法计算毛羽模型控制点,构造曲线模拟毛羽走向,控制构建股线的单纱根数和弯曲度,从微观结构上使线圈模拟更为逼真.最后对已生成的线圈图像进行特征像素提取,计算最小重复周期,使其满足四方连通性,形成纬编针织物外观纹理.     

基于人工免疫网络的k-平均聚类算法的研究

以人工免疫网络理论结合k-平均算法,尝试了一种聚类分析的新的解决方案.对k-平均算法中每一次迭代求平均值来确定聚类中心的方式进行改进,采用人工免疫网络中克隆选择和变异机制对聚类中心进行操作,选取最优抗体作为下一次迭代的聚类中心,克服了k-平均算法中对孤立点敏感的缺点,从而大大减少了迭代次数.通过对4组标准数据的实验,结果表明,该算法具有很好的自适应性,收敛速度快,提高了聚类性能.     

一种高效的阴阳k-Means聚类算法

针对传统阴阳k-means算法未利用数据结构导致计算效率较低的问题, 提出一种高效阴阳k-means聚类算法. 该算法根据数据相似性将原始数据进行逐层分解, 并建立满m叉树结构存储各层数据, 以树结构各叶子节点中存储的数据信息建立加权数据, 运行加权阴阳k-means算法得到收敛中心. 在原始数据中以加权数据收敛中心为初始化条件运行传统阴阳k-means算法进一步优化目标函数值. 在5组UCI数据集上与k-means、传统阴阳k-means及另外两种加速算法进行对比实验, 实验结果表明, 该算法具有较高的加速比, 且求解精度与传统阴阳k-means聚类基本相同.     

基于模糊C均值聚类改进的最大似然分类法

基于参数密度分布模型的最大似然分类法(MLC)是遥感影像经典分类方法之一,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点,但是由于遥感数据具有高度的模糊性和随机性,使得贝叶斯(Bayes)判别函数中的均值向量和协方差矩阵很难准确确定。因此首先利用模糊C均值聚类得到模糊划分矩阵,然后基于模糊划分矩阵计算出每一个聚类类别模糊均值和模糊协方差矩阵,并利用模糊均值和模糊协方差矩阵来代替贝叶斯判别函数中的均值向量和协方差矩阵从而建立一个新的判别函数,最后与传统的最大似然分类结果进行比较,结果表明改进后的最大似然分类法在总体精度、Kappa系数均优于传统的最大似然分类方法。     

一种增量式MinMax k-Means聚类算法

针对MinMax k-means算法易产生空解、 收敛速度慢和计算效率低的问题, 提出一种增量式MinMax k-means聚类算法. 该算法从给定的初始聚类个数开始, 以固定步长递增式产生新的聚类中心, 采用基于数据均衡的快速分裂方法产生增量聚类中心, 从而避免了传统增量聚类中心选择中遍历数据、k-means聚类算法运行次数过多导致的大计算量问题. 与MinMax k-means及相关算法的对比实验结果表明, 该算法在计算效率和求解精度上均优于对比算法, 有效改善了MinMax k-means聚类对初始化中心敏感和易产生空解的问题.     

基于改进YOLOv3的合成孔径雷达影像舰船目标检测

为了提高合成孔径雷达(synthetic aperture radar,SAR)影像舰船目标的召回率和准确率,降低漏检率,通过以YOLOv3(you olny look once)为检测框架,对锚点框(anchor boxes)生成机制进行改进,提出了利用K-median++生成anchors的聚类算法.结果表明不当的初始聚类中心会降低anchor boxes的平均交并比(mean intersection over union,meanIOU);同时由于SAR舰船数据集存在少量大尺寸box(离群数据点),因此在实验中使用中位数代替平均值,对簇群计算聚类中心,聚类后anchor boxes的meanIOU高达77.10％,在均值聚类算法(K-means clustering algorithm)基础上提高了3.7个百分点,并且减少了迭代次数,计算量得到大幅度降低.可见相比传统基于K-means的YOLOv3,检测效果有了明显提升,召回率达到92.21％,均值平均精度(mean average precision,mAP)达到93.56％,分别提高了2.55、3.82个百分点.     

k-means聚类算法的MapReduce并行化实现

针对k-means聚类算法特点,给出了MapReduce编程模型实现k-means聚类算法的方法,Map函数完成每个记录到聚类中心距离的计算并重新标记其属于的新聚类类别,Reduce函数根据Map函数得到的中间结果计算出新的聚类中心,供下一轮MapReduce Job使用.实验结果表明:k-means算法MapReduce并行化后部署在Hadoop集群上运行,具有较好的加速比和良好的扩展性.     

基于分形理论的网络流量异常检测技术

传统网络流量异常检测技术不能适应网络流量的复杂性,异常检测精度低,不能保证实时性,为此,提出一种新的基于分形理论的网络流量异常检测技术。通过FIR滤波方法对流量的时间序列进行预处理。采用Schwarz信息准则对网络流量异常检测问题进行处理,估测网络流量异常点数量与位置。采用R/S分析法求出自相似指数Hurst值,依据Hurst值对网络流量时间序列的分形特征进行分析。引入滑动窗口完成多网络流量异常点的检测,在检测异常点处对流量进行分形处理,依据自相似指数计算过程获取异常点间的流量自相似指数值,保存异常点之后的流量,为下一个流量异常点的检测提供依据。实验结果表明,所提技术实现过程简单,网络流量异常检测精度高,保证了实时性。     

Lab空间的改进k-means算法彩色图像分割

为减弱经典k-means 算法中ＲGB( Ｒed Green Blue) 空间各个颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响,并克服ＲGB 空间色彩分布不匀的缺陷,提出了一种基于Lab 颜色空间的改进k-means 聚类彩色图像分割方法。首先,将颜色空间从ＲGB 转换为Lab 空间,每个像素点都可以由L、a、b 3 分量组合进行表示。其次,用马氏距离替换欧氏距离进行改进,应用改进后的k-means 算法对图像像素点进行聚类,从而实现分割目的。通过实验证明该改进算法比经典k-means 算法具有更好的分割效果和准确度。     

一种基于密度的无监督聚类算法

分析了k-means算法的缺陷、入侵检测特点和网络中数据的特点,提出了一种基于密度的无监督2次聚类算法—KD算法。该算法聚类使用改进的k-means算法并引入基于密度聚类算法的优点,以提高对单种入侵数据集及混合入侵数据集的检测效果。实验结果表明,该算法具有较高的检测率和较低的误检率。     

Improvement and Parallelism of k-Means Clustering Algorithm

The k-means clustering algorithm is one of the most commonly used algorithms for clustering analysis. The traditional k-means algorithm is, however, inefficient while working on large numbers of data sets and improving the algorithm efficiency remains a problem. This paper focuses on the efficiency issues of cluster algorithms. A refined initial cluster centers method is designed to reduce the number of iterative procedures in the algorithm. A parallel k-means algorithm is also studied for the problem of the operation limitation of a single processor machine when given huge data sets. The analytical results demonstrate that these improvements can greatly enhance the efficiency of the k-means algorithm, i.e., allow the grouping of a large number of data sets more accurately and more quickly. The analysis has theoretical and practical importance for work on the improvement and parallelism of cluster algorithms.