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。     

Combined Density-based and Constraint-based Algorithm for Clustering

We propose a new clustering algorithm that assists the researchers to quickly and accurately analyze data. We call this algorithm Combined Density-based and Constraint-based Algorithm （CDC）. CDC consists of two phases. In the first phase, CDC employs the idea of density-based clustering algorithm to split the original data into a number of fragmented clusters. At the same time, CDC cuts off the noises and outliers. In the second phase, CDC employs the concept of K-means clustering algorithm to select a greater cluster to be the center. Then, the greater cluster merges some smaller clusters which satisfy some constraint rules.Due to the merged clusters around the center cluster, the clustering results show high accu racy. Moreover, CDC reduces the calculations and speeds up the clustering process. In this paper, the accuracy of CDC is evaluated and compared with those of K-means, hierarchical clustering, and the genetic clustering algorithm （GCA）proposed in 2004. Experimental results show that CDC has better performance.     

聚类分析在图书馆书籍管理中的应用

阐述了K-means聚类方法在图书馆书籍借阅分析中的应用,以及针对图书馆借阅数据的特点将特征聚类、无量纲化方法引入到K-means算法中.     

高维流形视角下采用ISOMAP降维的配网户变关系辨识

准确的户变关系是配网线损计算、故障定位和三相平衡等高级应用的基础.低压配网的户变关系辨识算法大多基于电压相关性原理,而电压相关性随供电半径增加而减弱,电压采集频次较低无法可靠捕获电压的"共性波动",使得辨识准确率普遍不高.提出了一种基于等距特征映射(isometric mapping,ISOMAP)降维和改进K-mea...     

基于粗糙熵和K-均值聚类算法的图像分割

针对基于粗糙熵的图像分割算法不能满足复杂图像的多类目标提取的需要,本文先利用K-均值聚类算法对图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阈值分割的目的。通过对遥感图像进行分割处理,证明了改进后算法的有效性。     

用于锋电位分类的二阶差分表示法

针对锋电位在相似度高及存在大量叠加锋电位时分类结果不理想的问题，提出了一种新的锋电位特征表示方法一二阶差分表示法．该方法对锋电位波形求取二阶差分，以二阶差分序列作为锋电位的特征信息，形成新的样本向量进行分类．该方法对Wave_clus中不同信噪水平的数据分别进行了实验．实验表明，该方法描述了锋电位波形在各个时刻的波形趋势，在一定程度上能够扩大不同类型波形之间的差异性．将此方法用于锋电位分类，尤其是叠加锋电位分类，可以提高分类准确率，并且可以有效的避免噪声的干扰．     

空间聚类算法中的K值优化问题研究

在典型的空间聚类算法K-平均法和K-中心法中,K一般为用户事先确定的值,然而,实际中K值很难被精确地确定,往往表现为一个模糊的取值区间。在此提出距离代价函数的概念,建立了相应的数学模型并设计了一个新的K值优化算法,对空间聚类K值优化问题进行了初步的研究。     

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．     

基于多质心的不良文本快速过滤方法

针对Rocchio容易受到类别样本分布及噪声影响的而导致错误扩大类别范围的问题,提出对训练样本进行聚类,使用聚类形成的多个簇的质心向量替代单个质心向量作为过滤判定向量组的方法。该方法既能保证过滤效率,又比单质心的Rocchio过滤法具有更高的召回率和准确率。     

基于颜色不变量和轮廓特征的地面多圆形目标检测

研究了一种室外环境旋翼无人机对地面多圆形目标检测的方法。考虑室外环境光照变化、阴影等自然因素以及无人机飞行高度、姿态变化等因素对目标检测带来的不利影响,首先引入颜色不变量特征;并采用改进K-means算法进行图像分割;其次根据目标轮廓特征,设置面积与圆形度阈值滤除干扰区域;最后,采用基于对称性的最小二乘法与残差度确定目标位置。实际实验及无人飞行器大赛验证了所研究方法的实时性和准确性。