基于近邻图的k-means初始中心选择调优算法

k-means算法以其算法简单、计算效率高而被广泛应用在数据挖掘、机器学习、计算机视觉等领域。然而,k-means算法的性能严重依赖于其初始聚类中心的选取。不同的初始聚类中心导致k-means算法的聚类结果变化很大。一个合理的方式是选取处在数据相对密集区域的数据样本作为初始聚类中心。鉴于此,提出一种基于数据近邻图的k-means初始中心选取算法。该算法分为三个阶段:1)构建数据集的局部近邻图;2)选取初始聚类中心的候选集合;3)确定恰当的初始聚类中心。实验结果表明,该算法选取的初始聚类中心是合理的,同时,可以加快k-means的收敛速度。

Initial Value Filtering Optimizes Fast Global K-Means

K-means clustering algorithm is an important algorithm in unsupervised learning and plays an important role in big data processing, computer vision and other research fields. However, due to its sensitivity to initial partition, outliers, noise and other factors, the clustering results in data analysis, image segmentation and other fields are unstable and weak in robustness. Based on the fast global K-means clustering algorithm, this paper proposed an improved K-means clustering algorithm. Through the neighborhood filtering mechanism, the points in the neighborhood of the selected initial clustering center have not participated in the selection of the next initial clustering center, which can effectively reduce the randomness of initial partition and improve the efficiency of initial partition. Mahalanobis distance was used in the clustering process to better consider the global nature of data. Compared with the traditional clustering algorithm and other optimization algorithms, the results of real data set testing are significantly improved.

基于邻域均值的去椒盐噪声算法

为了改善图像效果,利用图像邻域相关性提出了一种适用于椒盐噪声的图像去噪滤波算法。首先利用最大最小法则检测出被椒盐噪声污染的像素点,然后将被污染像素点邻域中的8个像素点按距离远近分为两类,最后利用近距离邻域中未被污染像素灰度值的均值重构图像灰度值。当近距离邻域像素全部被污染时,以远距离邻域中未被污染像素灰度值的均值代替该点的灰度值。仿真结果表明,该算法具有较大的峰值信噪比,能有效地抑制椒盐噪声并保护图像的细节。

基于反色均值化的非参数Census立体匹配算法

针对传统非参数Census变换过分依赖于变换窗口的中心像素灰度值的问题,提出了一种新颖的非参数Census变换的立体匹配算法。首先,该文研究了非参数Census变换并分析了其局限性;其次,考虑到像素空间位置,对于变换窗口进行反色处理后,求取邻域均值的反色来替代中心像素灰度值进行Census变换,提高了算法的抗干扰能力;最后,采用绝对误差和(SAD)方法和汉明距离作为相似性测度进行立体匹配,减少误匹配率,并通过左右一致性检测和亚像素插值来增大匹配的准确度。实验结果表明,此算法能够提高光照变换下匹配的鲁棒性,尤其对于深度不连续区域,适用于实时的立体匹配。

区间逻辑的一个辅助证明工具

DC/ P(duration calculus prover)是一族实时区间逻辑的辅助定理证明工具 .它采用 Gentzen风格相继式演算作为基本证明系统 ,并结合项重写、自动判定算法等技术以提高证明的自动化程序 .该文介绍了 DC/ P的语义编码方法、采用的相继式证明系统及实现技术 ,并给出了应用实例 .

基于隐马尔科夫随机场邻域选择的细节保护图像分割

由于马尔科夫随机场(Markov Random Fields,MRF)区域标识模型的滤波效应,在合成孔径雷达(SAR)图像处理过程中,细节结构会被部分保留或者完全丢失。本文提出一种基于散射描述子的自适应邻域系统隐MRF(Hidden MRF,HMRF)图像分割方法,以实现更好地保留图像细节特征和边缘区域,从而改善图像的分割效果。为了提高可靠性和自适应性,将模糊c均值(Fuzzy c-means,FCM)聚类算法与散射变换相结合,实现邻域形状的自适应选择。从不同的邻域形状中,选择具有最高模糊隶属度的邻域形状进行HMRF区域标识过程。实验结果表明,相比较于一般HMRF使用固定形状的邻域系统,本文所提出的算法改善了分割效果,特别是图像细节结构信息得到了很好的保护。

一种邻域粒的模糊C均值聚类算法

针对初始值和噪声的敏感性会导致模糊C均值聚类效果下降这一问题,引入粒计算理论,采用邻域粒化技术,提出邻域粒模糊C均值聚类算法。样本在单特征上使用邻域粒化技术构造邻域粒子,在多特征上粒化形成邻域粒向量,定义多种粒距离公式度量粒子之间的距离。根据粒距离度量,提出粒模糊C均值聚类算法,采用多个数据集进行实验,将粒模糊C均值聚类算法与经典聚类算法进行比较,验证了所提出的邻域粒模糊C均值聚类算法的可行性和有效性。

考虑无人机辅助的卡车配送路径优化

无人机具有飞行不受地形限制等优点而被应用于提升城市物流配送“最后一公里”的效率实践,但无人机配送受到最大飞行时间及最大载重等限制。结合卡车与无人机配送特点,研究了一类考虑无人机辅助的卡车配送路径优化问题。考虑无人机最大飞行时间、最大载重和飞行速度等因素,以配送完成时间最短为目标建立混合整数规划模型;采用结合自适应K-means聚类搜索的混合变邻域搜索算法进行求解。基于Solomon Benchmark C101、R101、RC101构建算例,分析结果表明:嵌入简单启发式算法的混合变邻域搜索算法能够较好求解所提出的路径优化问题,并能提高物流配送服务时效性;无人机飞行速度受载重影响越小,飞行持续时间越长,越有利于缩短配送时间。