基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

基于三维点云的岩体结构面自动分类与参数计算

结构面间距是岩体稳定性和力学特性分析中的一个重要参数，在岩石力学、采矿工程、边坡监测等领域的数值计算中广泛应用.本文以岩体边坡露头为研究对象，基于非接触测量获得的三维点云数据，提出一种基于密度聚类的结构面细化分类方法；在结构面粗略分组提取的基础上，通过投影变换、散乱点拟合等算法，求得结构面间距和岩体体积节理数.设计开发了结构面细化分类及间距等参数计算与分析原型系统，实际案例分析表明，本文方法可有效实现结构面的自动细化分类，并能够计算出间距等相关参数，可为岩体质量分级和岩体稳定性分析等提供方法支撑.     

基于后验风险确定故障样本量的Bayes方法

针对目前测试性故障样本量的确定方法过于粗糙和试验样本量过大的问题,提出了合理运用信息熵方法对装备系统各单元的测试性先验信息进行信息融合,得到装备系统级测试性试验数据。在此基础上得到测试性指标的先验分布,并进一步通过Bayes后验风险准则确定故障样本量及试验方案。以某型电动舵机系统各模块的试验数据为例,以故障检测率为测试性指标,经过分析和计算,发现运用所提方法得到的故障样本量相比传统方法明显减少,从而减少了试验成本,同时得到的测试性指标相对误差较小,保证了可信度。     

多幅图像显示时色彩压缩的聚类统计算法

在计算机上，同屏显示多幅彩色图像会出现明显的失真（即色彩损失）．特别是两幅图像色调差别较大时（如一幅暖色调，一幅冷色调），失真现象更为严重．为了克服这一缺陷．本文在参考Ｋ均值聚类算法的基础上，优化了初始聚类中心，提出了色彩压缩的聚类统计算法．本算法简单实现较为方便，克服了Ｋ均值算法对色彩压缩不均衡及彩色失真度大的缺点．且不需经过多次迭代即可得到令人满意的效果，压缩时间短．     

系统聚类分析在农村消费水平划分中的应用

中国的经济发展主要存在着“东部”与“西部”的差距，文章利用聚类分析对我国部分省、市、自治区共28个样本进行分类，并加以分析．     

基于图像分割应用于临床上检测HP的一种快速算法

研究了利用图像分割技术,去辨别染色后的胃部切片是否有HP(Helicobacter Pylori幽门螺旋菌),并给出了一种二维直方图与FCM(Fuzzy Clustering模糊聚类)相混合的图像分割方法.运用色彩特征抽取技术,可以更加精确和快捷地识别HP.     

微波等离子体离子化检测器研究

本文采用氢气为载气和等离子体工作气体，以苯和二氧化碳为例，对不同电离电位样品组分经过和不经过等离子体两种样品引入检测器方式进行了详细的对比研究，发现检测器分别具有质量型和浓度型检测器的响应特征．探讨了空气引人等离子体对检测器分析性能的影响．     

Time‐simultaneous prediction band for a time series

I propose principles and methods for the construction of a time‐simultaneous prediction band for a univariate time series. The methods are entirely based on a learning sample of time trajectories, and make no parametric assumption about its distribution. Hence, the methods are general and widely applicable. The expected coverage probability of a band can be estimated by a bootstrap procedure. The estimate is likely to be less than the nominal level. Expected lack of coverage can be compensated for by increasing the coverage in the learning sample. Applications to simulated and empirical data illustrate the methods. Copyright © 2007 John Wiley & Sons, Ltd.     

PP K-MEAN CLUSTERING

In this paper, we propose a dimension-reducing, K-mean clustering procedureby Projection Pursuit (PP) technique so as to explore the clustering structure of data inhigh-dimensional space in terms of low-dimensional projective points of data, and we obtainthe a.s. consistence of the estimates of the cluster centers and projection orientations.