基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。

基于min-max准则与区域划分的I-k-means-+聚类算法

针对I-k-means-+算法聚类结果不稳定、求解精度较低的问题,提出一种基于min-max准则与区域划分的I-k-means-+聚类算法.首先,提出min-max准则,计算每个数据点到最近中心的距离,优先选择距离最大的数据点作为新的聚类中心,避免多个初始中心聚集在同一个簇中的情况;其次,将分裂簇中的数据点分割到不同区域,在每个区域中选取一个数据点作为候选中心,以增加候选中心的多样性;最后,对于配对失败的簇,通过增益重新选择新的分裂簇与原删除簇再次配对,以提高配对成功率,进一步降低目标函数值.实验结果表明,与I-k-means-+算法相比,本文算法在运行效率基本相当的前提下,求解精度平均提高6.47%,且聚类结果更稳定;与k-means、k-means++算法相比,本文算法的求解精度更高.

基于图像增强和注意力机制的作物杂草识别

为提高复杂环境下无人机获取的作物杂草图像识别的准确率,提出一种基于图像增强与注意力机制的作物杂草识别方法。在多尺度Retinex算法中加入颜色恢复函数调节3个通道颜色的占比以恢复其颜色特征,使图像更清晰;将残差网络模型中的激活函数换为Leaky ReLU,加入CBAM注意力机制模块,获取更多有用信息,抑制其它无用信息。实验结果表明,该方法可以提高复杂环境下无人机获取的作物杂草图像的识别准确率,其准确率达到95.3%,高于AlexNet、ResNet18、ResNet50及其它主流算法的识别结果。

一种基于核的模糊聚类算法

结合核技术与改进的模糊c均值算法聚类准则提出一种基于核的模糊聚类算法.通过引入核函数,样本点被非线性变换映射到高维特征空间进行聚类,提高了聚类性能.同时,算法改进了模糊c均值聚类模型中的概率型约束条件,使其对噪声和野值点具有较好的鲁棒性.在真实数据和人造数据上与常用聚类算法进行了对比实验,结果表明该算法具有较低的时间、空间复杂度与较好的聚类性能.

基于模拟退火的无监督核模糊聚类算法

提出一种新的核可能性聚类模型,该模型以核可能性Xie-Beni聚类有效性指标作为代价函数,基于可逆跳转马尔可夫链蒙特卡罗(RJMCMC)的模拟退火方法作为优化策略,聚类个数可以在给定的范围内进行变动,最优的聚类个数与聚类划分被自动获得.比普通的基于模拟退火的(核)可能性聚类具有更高的效率,且避免了普通(核)可能性聚类中易产生重合聚类的缺陷.人造数据集和真实数据集上的对比实验表明了算法的有效性.

一种高效鲁棒的无监督模糊c均值聚类算法

先通过数据约简技术在不损失数据聚类结构的前提下对数据进行精简,利用提出的近似模糊c均值聚类算法对精简后数据进行划分得到初始化中心,再在该中心基础上通过模糊c均值聚类算法结合聚类有效性指标,实现对数据的无监督聚类,改进了无监督模糊c均值聚类算法聚类性能过分依赖初始化中心及大数据集下计算效率不理想的问题.与已有算法的对比实验表明,所提出的算法具有更高的求解精度与计算效率,得到的聚类个数更合理.

基于核的模糊C均值聚类算法的收敛性定理

利用Zangwill收敛性定理,证明了基于核的模糊c均值聚类算法(KFCM)的收敛性.结果表明,当核函数在给定数据集上诱导的距离矩阵满足一定条件时,KFCM算法产生的迭代序列收敛或至少存在一个子序列收敛于KFCM聚类模型目标函数的局部极小值点或鞍点.

多策略多参数并行差分进化算法

针对差分进化(DE)算法收敛早熟与计算效率不理想的问题,提出一种改进的差分进化算法。首先,在进化中同时并行多个策略与参数组合来提高个体多样性。其次,依据建立的评价指标自适应地调整组合来提高寻优效率。最后,把进化过程分为若干的子进程以避免前期优势组合不适应后期的问题。在10个标准测试函数上的实验结果表明,提出的算法与其他算法相比具有相对较好的性能。

硬度图像角点检测算法

硬度检测图像中存在大量杂质与噪声,目标区域的边缘模糊且形状复杂,传统角点检测算法无法检测出目标区域的角点,也很难应用直线拟合或直线检测算法实现角点的精确定位。针对硬度检测中面临的复杂环境下角点检测任务,提出一种新的基于旋转灰度变化的角点检测算法。与传统的角点检测算法相比,该方法对噪声和杂质具有更好的鲁棒性,能够在背景复杂、边缘模糊的情况下准确检测出目标区域的角点位置,具有更好的适用性。在硬度图像上与传角点检测算法及直线求交确定角点方法的对比实验表明了算法的有效性。

改进差分进化算法及其在模糊聚类分析中的应用

针对差分进化算法早熟与搜索效率不理想的问题,提出一种改进的差分进化算法。算法在变异阶段采用多策略与多参数并行的方法一次产生多个变异个体,有效地保持了种群中个体的多样性,抑制了早熟现象的发生。根据竞争机制选择适应度最好的变异个体进行选择操作,提高了搜索效率。与差分进化及其改进算法的对比实验表明了算法的有效性,并把提出的算法应用到模糊聚类分析中,较好的解决了原始聚类模型求解容易陷入局部极值的问题。

基于视频的运动目标跟踪算法

为更加准确、快速地检测与跟踪到运动目标,将背景差分法和帧间差分法相融合对CAMSHIFT(Continuously Adaptive Mean-SHIFT)算法进行改进。首先,通过背景差分法和帧间差分法相融合确定目标所在区域,然后结合CAMSHIFT迭代算法实现目标跟踪。实验结果表明,该方法改变了传统CAMSHIFT算法需手动选定目标和跟踪窗容易发散的局限性,并提高了跟踪的准确性与稳定性。

基于最频繁项提取和候选集剪枝的THIMFUP算法

针对FBCM(基于矩阵压缩FUP(fast update algorithm))算法在项集挖掘过程中存在频繁扫描原频繁项集库,并生成大量候选集的问题,提出一种通过提取数据库中最频繁项的方法,以降低对原频繁项集库的扫描次数;并通过候选集剪枝思想,减少算法整体运行过程中的候选集生成,以提高频繁项集的挖掘速度.实验结果表明,在相同实验条件下,该算法的效率比FBCM算法效率提高15%以上,最高达60%.

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.

基于全局K-means算法的高校学生成绩分析

采用无监督聚类算法实现对学生成绩的评价分析。在给定的聚类个数区间内,全局K-means聚类算法对学生成绩数据进行聚类,得到不同聚类个数下的成绩分类结果;结合聚类有效性指标自动地确定出最佳聚类数目,实现对学生多科成绩数据的无监督分类。实验结果表明,本方法能够发现不同成绩聚类结果之间的差异,揭示影响数据分布的主要因素,平衡了数据的所有属性对最终的分析结果的影响,同时避免了手动分析中结果容易产生较大偏差的问题。对指导学生选修课程、教师对个人的教学方法进行调整以及改善学校教学质量和提升学生成绩都具有重要作用。

多尺度可能性聚类算法

针对可能性聚类算法对初始化参数敏感及容易产生重合聚类的问题,提出了多尺度可能性聚类算法(MPCM)。算法结合均值漂移聚类算法与可能性聚类算法的思想,使其既保留了均值漂移聚类算法中能够揭示数据的多尺度聚类结构、不依赖于初始化参数的优点,也保留了可能性聚类算法可对数据集进行模糊划分的优点。同时,避免了均值漂移算法计算量过大以及可能性聚类对容易产生重合聚类的缺点。与传统的可能性聚类及其改进算法的对比实验结果表明,MPCM能够更加准确地揭示数据在不同尺度下的聚类结构,具有相对较好的聚类性能。

基于中心自动融合的多尺度可能性聚类算法

针对可能性聚类对初始化参数设置依赖性较强的问题,提出一种基于中心自动融合的可能性聚类算法,并证明了算法中尺度因子的多尺度性质.该算法通过建立中心的相关性判定准则,根据数据自身分布特点动态调整聚类数目与结构,通过引入尺度参数实现对数据的多分辨率分析.与传统的模糊和可能性聚类算法相比,该算法摆脱了对聚类数目及初始化中心或隶属度矩阵设置的依赖性,易于控制.人造数据和真实数据实验结果表明,该算法能自动确定数据中不同尺度下的聚类结构,具有识别不同大小聚类结构的能力.

基于改进可能性聚类算法的轴承故障诊断

通过研究轴承及其组件的振动信号来分析其工作状况是机械故障检测和诊断的一种常用方法。针对传统可能性聚类算法用于故障诊断时存在的问题,将改进可能性聚类算法与聚类有效性指标相结合,提出一种无监督的可能性聚类算法。将算法应用于滚动轴承的故障诊断中,实验结果表明,该算法不但能够自动确定聚类个数,对噪声具有较好的鲁棒性,而且聚类的准确性高于传统可能性聚类算法。

基于加权处罚的K-均值优化算法

在各种聚类算法中,基于目标函数的K-均值聚类算法应用最为广泛,然而,K-均值算法对初始聚类中心特别敏感,聚类结果易收敛于局部最优。为此,提出基于加权处罚的K-均值优化算法。每次迭代过程中,根据簇的平均误差的大小为簇分配权值,构造加权准则函数,把样本分给加权距离最小的簇中。限制簇集中出现平均误差较大的簇,提高聚类准确率。实验结果表明,该算法与K-均值算法、优化初始聚类中心的K-均值算法相比,在含有噪音的数据集中,表现出更好的抗噪性能,聚类效果更好。

基于处罚的K-均值优化算法

判断聚类结果中是否存在误分类的簇,即簇中包含的样本不属于同一类。若存在,则在已有聚类结果上使用加权方案,处罚误分类的簇,输出新的聚类结果。若不存在,则输出已有聚类结果。限制簇集中存在误分类的簇,消除初始聚类中心对K-均值算法的影响,提高聚类准确率。实验结果表明,该算法与K-均值算法、优化初始聚类中心的K-均值算法相比,在坏的初始化条件下,表现出更好的鲁棒性;在含有噪音的数据集中,表现出更好的抗噪性能;聚类效果更好。

无相位远场数据反演散射障碍的神经网络方法

针对无相位信息反演障碍物位置及形状的问题,提出一种两层门控循环单元(GRU)神经网络对门控循环单元神经网络的方法(MGNN),并给出该方法的收敛性分析.首先,以无相位远场数据与障碍物边界曲线方程参数作为输入和输出,通过GRU神经网络控制门思想与长期记忆功能,有选择性地更新网络状态,保存数据特征;其次,应用梯度下降算法更新模型权重和偏置,解决了无相位信息的远场数据反演障碍物位置及形状的难题;最后,利用数值实验说明该方法的有效性.