基于密度RPCL的K-means算法

目的探索同时确定K-means算法的最佳聚类数K和最佳初始聚类中心的方法,使K-means算法的聚类结果尽可能地收敛于全局最优解或近似全局最优解。方法以次胜者受罚竞争学习(Rival Penalized Competitive Learning,RPCL)作为K-means的预处理步骤,以其学习结果作为K-means的聚类数和初始聚类中心并依据数据集样本自然分布定义样本密度,将此密度引入RPCL的节点权值调整,以此密度RPCL的输出作为K-means的最佳聚类数K和最佳初始聚类中心。采用UCI机器学习数据库数据集以及随机生成的带有噪音点的人工模拟数据集进行实验测试,并用不同的聚类结果评价指标对聚类结果作了分析。结果提出的密度RPCL为K-means提供了最佳的类簇数和最佳的初始聚类中心。结论基于密度RPCL的K-means算法具有很好的聚类效果,对噪音数据有很强的抗干扰性能。     

基于核方法的分类型属性数据集模糊聚类算法

针对分类型属性数据的聚类问题．将核方法的思想推广到快速、高效率的模糊c-均值算法,构造了基于核函数的模糊核c-均值聚类算法．该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息,并且避免了模糊k-modes算法中每次迭代均要直接计算类中心的缺点,提高了聚类的精确度和稳定性．同时该算法对模式(类中心)的初始值选择不敏感．时实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性．     

人脸非线性视角流形建模方法

针对线性子空间不足以描述头部视角空间非线性变化等因素影响人脸视角流形的精确建模问题,提出一种新的视角流形建模方法,并从理论上将该方法与经典的流形学习建模方法及概念驱动的视角流形建模方法进行比较,通过基于非线性张量分解的人脸及视角识别实验比较视角流形对识别结果的影响,从而给出视角流形的有效性比较.实验结果表明,本文提出的视角流形建模方法比概念驱动的视角流形和TensorFace中的线性视角系数均有更好的识别效果.     

一种基于三维小波的视频水印空时算法

针对数字视频的版权保护,以及基于数字视频的信息隐藏,提出了一种基于三维小波的视频水印空时算法。它利用了视频场景镜头分割技术和三维小波变换的空时多分辨水印嵌入策略,以及根据最大似然准则的水印检测算法。针对视频的版权保护,作为版权标志的水印图像先用两个序列扩频预处理成一个图像序列,扩频后的水印图像序列自适应地嵌入到视频镜头的三维小波系数上。该基于三维小波域的水印策略充分利用了视频序列良好的空时多分辨特点,水印算法可靠。针对视频水印的几种特殊攻击,仿真实验证明了该算法具有很强的鲁棒性。     

一种先切分后检测的分层镜头边界检测方法

针对现有渐变镜头边界检测算法的不足,提出了一种先切分后检测的分层镜头边界检测方法。该方法综合了小波分析、模糊聚类和统计量等多种技术,可以同时检测突变过渡和渐变过渡,并能准确地定位渐变过渡的边界。同时,提出了对加权系数进行非盲调节和盲调节的方法,为系数调节指明了一条新思路。该方法减少了经验阈值的数目,避免了人为因素,同时克服了其它方法仅适用于某一类和某几类视频序列的限制,因而具有很强的鲁棒性。用实际视频数据所得到的实验结果证明了该方法的有效性。     

建立天空地一体化网络技术合作研究平台

天空地一体化网络基础理论与技术在通信系统、导航系统，自动相关监视系统、协同式空中交通管理和空间在轨服务方面都有很广泛的应用前景，其研究内容涉及网络控制与协议设计、信息传输与处理等方面。[第一段]     

一种针对大规模数据集的快速分组算法

基于空间点集的连通性构造的等价关系,提出一种针对大规模数据集的快速分组算法。该算法的本质仍是基于等价关系的集合划分算法,但在关系矩阵传递闭包的构造算法中,提出一种快速的实现方法。与传统等价关系的构造方法相比,新算法需要较少的存储空间,而且算法复杂度由O(n3)降为O(km2)(k n,m≈n)。在医学断层图像表面重建的应用中证实,新算法具有重要的应用价值。     

一种编队目标架次检测方法

针对常规低分辨雷达无法直接在距离和方位上分辨编队目标的缺陷,分析了编队目标间距引起目标间多普勒频率的差异和目标多普勒频率的变化规律,探讨了用时频分布分辨目标的可能性.提出了一种基于编队目标回波时频分布生成的图像,利用图像描述技术,实现编队目标架次检测的方法.实测目标回波数据实验结果表明,该方法能可靠检测目标架数,具有一定的抗噪声和抗干扰能力,同时计算量小,易于实时实现,优于常规Radon变换方法.     

一种新的密度加权粗糙K-均值聚类算法

为了克服粗糙K-均值聚类算法初始聚类中心点随机选取,以及样本密度函数定义所存在的缺陷,基于数据对象所在区域的样本点密集程度,定义了新的样本密度函数,选择相互距离最远的K个高密度样本点作为初始聚类中心,克服了现有粗糙K-均值聚类算法的初始中心随机选取的缺点,从而使得聚类结果更接近于全局最优解。同时在类均值计算中,对每个样本根据定义的密度赋以不同的权重,得到不受噪音点影响的更合理的质心。利用UCI机器学习数据库的6组数据集,以及随机生成的带有噪音点的人工模拟数据集进行测试,证明本文算法具有更好的聚类效果,而且对噪音数据有很强的抗干扰性能。     

超高清视频画质提升技术及其芯片化方案

由于视频源的画质质量远远无法匹配超高清显示设备的性能,导致最终呈现在显示设备上的画质质量与人类视觉感知的期望差距较大,极大地浪费了显示设备硬件资源。针对这一问题,提出一种超高清显示设备画质提升算法模型并进行芯片化设计,基于深度网络模型,结合超分辨率重建技术和运动画面补偿技术等,提升视频源的感知质量来匹配超高清显示设备,使得显示画面的细节和色彩无限接近真实,使观众获得视觉沉浸和体验沉浸。对算法模型进行压缩和量化操作,完成画质提升算法模型的IP设计以便于移植到集成电路芯片中。