邻域灰度差加权的模糊C均值聚类图像分割算法

模糊C均值(FCM)算法用于灰度图像分割是一种非监督模糊聚类后再标定的过程,适合灰度图像中存在着模糊和不确定性的特点。但是这种算法没有考虑到样本空间中不同的样本点对分类的贡献不同,因此分割效果不理想。提出了邻域灰度差加权的模糊C均值聚类算法,实验结果表明,该算法不仅取得了很好的分割效果,而且加快了算法的收敛速度,从而满足了图像分割的有效性、实时性的要求。

基于最大熵的模糊核聚类图像分割方法

传统聚类算法易陷入局部极值,在数据线性不可分时分类效果较差。为此,提出一种基于最大熵的模糊核聚类图像分割方法。采用最大熵算法对原始图像进行初步分割,求得初始聚类中心;引入Mercer核函数,把输入空间的样本映射到高维特征空间,并在特征空间中进行图像分割。实验结果表明,该方法能减少迭代次数,使分类结果更稳定,从而较好地把目标从背景中分割出来。

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。

基于加权模糊C均值聚类的图像分割算法

模糊C均值(FCM)算法用于灰度图像分割是一种非监督模糊聚类后再标定的过程,适合灰度图像中存在着模糊和不确定性的特点.但是这种算法存在着本质上的缺陷,就是仅利用了图像的灰度信息,而没有考虑像素的空间信息,使得其对于实际的含有噪声的图像分割效果不理想.因此,提出了一种新的加权模糊C均值聚类算法,实践证明,该方法可以有效地、实时地把目标从背景中分割出来,并具有较强的鲁棒性.

《概率论与数理统计》教学实践与探索

首先分析了概率论与数理统计的教学现状诸如课程理论性强、部分学生缺乏兴趣,缺乏直观性和应用性的教学,学习难度大等特点,然后结合实际教学,讨论了如何在课堂上激发学生兴趣、应用实际案例、融入数学建模思想、培养自我创新等.最后给出了下一步的改革方向.

基于阈值分割的数学形态学道路标识线检测

针对边缘检测算子对噪声敏感的缺点,提出了一种新的基于阈值分割的形态学道路标识线的检测方法.仿真结果表明,这种方法保留了更多的图像细节,具有更强的去除噪声能力,可以有效地从道路图像中检测道路标识线.

改进的GM(1,1)灰色预测模型及其应用

针对传统GM(1,1)模型预测精度不高,并且其背景值优化与求解方法优化各具有片面性的缺点,文章给出了组合优化和分段优化两种改进方法,并结合国内居民消费水平的相关统计数据,利用传统GM(1,1)模型及其优化后的模型与两种方法的误差进行对比,表明改进后的灰色模型精度更高,且预测值与实际值较吻合,说明改进后的灰色预测模型的可行性与可靠性更好。

基于方向小波的差值滤波图像去噪算法

针对利用方向小波的多方向框架分割图像时形成的像素序列长度的不同,提出一种新的基于方向小波的差值滤波图像去噪算法。该算法根据白噪声分布规则,将像素序列分成两组,分别采用不同的阈值萎缩方法,并将所产生的方向子图像进一步的作差值滤波处理,最后对所有子图像进行线性平均。对含不同程度高斯白噪声的图像去噪仿真实验表明,与其他小波阈值去噪方法相比,该算法能更有效的去除噪声和保持图像纹理细节,信噪比提高1～3dB。

基于改进模糊聚类算法的灰色预测模型

目前研究的模糊C均值聚类算法(FCM)面临的最重要问题是初始值随机选取,导致其容易陷入局部最优,同时影响运算速度。而灰色预测GM(1,1)模型在形成预测公式时对初始值的选取也没有合理有效的方案。针对以上问题,文章提出坐标密度法,确定初始聚类中心,对FCM算法进行改进;接着提出运用改进的FCM求取GM(1,1)中数据的聚类中心,并把聚类中心作为初始值的方法;通过与已知算法进行比较验证了其可行性和有效性。

利用拉格朗日松弛算法求解三维分配问题

将拉格朗日松弛算法与最优求解算法的复杂性进行了分析比较,并将该算法应用于求解3-D分配问题,分析与算例结果表明,该算法可大幅度降低3-D分配问题的求解计算量,是求解3-D分配问题的一种有效算法.

基于框架理论的Banach空间的框架和原子分解的构造及其膨胀

利用框架理论研究了Banach空间的框架和原子分解的构造以及Banach框架的膨胀性质.

基于GM(1,1)灰色预测模型的改进与应用

针对传统的GM(1,1)模型预测精度不高,并且其求解优化与多项式拟合各有片面性的缺点,给出了基于求解优化和多项式拟合优化相结合的改进灰色等维动态预测方法。结合美国近两百年人口的相关统计数据,利用传统的GM(1,1)模型及其优化后的模型进行误差比较。结果表明改进后的灰色模型预测精度更高,说明改进后的灰色预测模型的可行性与可靠性更好。

2-维线性动态膜壳方程组的对称性

在弹性张量满足强椭圆性条件的假设下,把2-维线性动态膜壳方程组化为一阶线性对称双曲组。

基于隶属度偏差加权的改进犹豫模糊距离测度及应用

针对两个犹豫模糊元中的隶属度个数不相等的问题,为减少采用单一悲观或者单一乐观补齐方案的主观随意性,文章首先提出能够全面考虑不同偏好决策者犹豫心理的元素补齐方案。然后根据犹豫模糊集中两个犹豫模糊元之间的隶属度差别定义了距离度量时每种补齐方案的权重系数,并将其应用到新提出的5种改进的犹豫模糊距离中,同时还推导出了这5种改进的广义犹豫模糊距离在参数λ取零和无穷大情况下的极限形式。最后,结合来自不同研究领域的专家给出的金融产品投资决策多源数据进行对比分析。结果表明,新方法不仅区分度好,而且在参数λ取不同值时取得了一致的决策结果,具有一定的应用价值。

基于变权优化背景值改进的GM(1,1)灰色预测模型及其应用

针对传统的GM(1,1)灰色预测模型背景值采用均等权值导致预测精度不高的缺点,本文提出一种变权优化选择背景值方法。首先将黄金分割搜索和抛物线插值法相结合确定改进GM(1,1)模型的背景值;然后将改进后的背景值代入灰色预测代数递推方程,从而代替传统的GM(1,1)模型中的白化方程;最后选取指数数列进行模拟并结合某高校教师人数的实际统计数据进行仿真实验。结果表明,改进的GM(1,1)模型减少了平均相对误差,提高了预测精度,具有一定的应用价值。

改进的初值和背景值优化的MGM(1,m)模型及应用

针对传统的MGM(1,m)模型存在模拟精度和预测精度不高的问题,文章给出了改进的初值和背景值优化的MGM(1,m)模型。在模型初值的选取上,选取使得模拟值的平均相对误差达到最小的向量X(1)(i)作为初值;在模型背景值的构造上,提出结合辛普森3/8公式的动态序列模型来求解背景值的方法。最后以两组指数型数据序列为例建立了传统MGM(1,2)模型及改进后的模型,并进行数据模拟和预测。结果表明,改进后的MGM(1,m)模型的模拟精度和预测精度均有显著地提高,从而验证了模型的有效性和可行性。

基于犹豫模糊Canopy-K均值聚类算法的研究与应用

针对传统K均值聚类算法对初始值敏感、易陷入局部极值点,导致数据分类结果不理想的问题,本文提出一种基于犹豫模糊Canopy-K均值聚类算法。首先利用Canopy算法对原始数据进行初步分类,形成多个数据重合的Canopy中心集合,即得到K均值算法的初始聚类中心。然后再利用K均值聚类算法进行聚类,得到最终的聚类结果。最后结合疫情后复工复产企业评价信息数据进行实例分析,从6个方面对复工复产的5个企业发展情况进行评估。将新提出的算法和基于层次分析的K均值聚类算法进行对比分析。结果表明,新提出的方法较大地减少了迭代次数,聚类结果更加合理、稳定和有效。

基于指数熵加权的降维犹豫模糊兰氏距离测度及应用

首先提出几种基于兰氏距离的犹豫模糊集距离测度.然后针对两个犹豫模糊数中的隶属度个数不相等问题,提出新的犹豫模糊数降维方案.该方案不需要反复添加最大最小隶属度数值到犹豫模糊数中,不仅很好地保留了数据的原始信息,而且减少了计算距离时的计算量.针对属性权重信息完全未知的情况,采用实际数据信息构造犹豫模糊指数熵,并利用信息熵最小化原则计算得到属性权重.最后利用指数熵加权的降维犹豫模糊兰氏距离测度,结合实际的医疗诊断数据进行实例分析.结果表明,所提出的基于指数熵加权的降维犹豫模糊兰氏距离测度不仅在λ取不同值时诊断结果一致,而且减少了计算量,提高了诊断效率,对实时、有效的医疗诊断具有一定的应用价值.