无线信道建模中二分K均值聚类多径分簇算法

为了对无线信道中的多径分量进行合理分簇,提出了一种毫米波信道二分K均值聚类多径分簇方法,解决了传统的K均值聚类分簇方法只能实现局部最优分簇的问题.采用马氏距离(Mahalanobis distance,MD)衡量多径分量距离(multi-path component distance,MCD),以簇分裂和迭代计算的方式对多径进行分簇.采用毫米波室内信道实验测试数据,验证了所提算法的有效性和可行性.结果表明,所提算法比传统K均值聚类分簇方法获得的分簇结果更合理,能将信道中多径参数相似度较高的多径有效且唯一地分配到同一簇.

基于差分隐私保护的二分k均值聚类算法研究

针对差分隐私保护k均值聚类算法(DP k-means)随机选取初始点,导致算法往往收敛于局部最优,进而影响聚类效果的问题,本文结合差分隐私的相关理论以及层次聚类的思想提出了一种基于差分隐私保护的二分k均值聚类算法(DP Bi-k-means)。首先,以得到全局最优为目标,将随机选取初始点的过程进行改进,由上至下对目标数据集进行二分;其次,在迭代过程实现基于拉普拉斯机制的差分隐私保护。经安全性分析以及实验结果证明:该算法与传统差分隐私保护k均值算法(DP k-means)相比,可以避免聚类结果受初始点的影响陷入局部最优解,从而优化聚类效果,并为聚类分析提供了有效的隐私保护能力。

二分K均值聚类算法优化及并行化研究

二分K均值聚类算法在二分聚类过程中的初始质心选取速度方面存在不足。为此,提出以极大距离点作为二分聚类初始质心的思想,提升算法的运行速度。研究如何在群集系统中进行快速聚类,根据二分K均值聚类算法的特性,采用数据并行的思想和均匀划分的策略,对算法进行并行化处理。实验结果表明,改进后的算法能获得比较理想的加速比和较高的使用效率。

改进的二分K均值聚类算法

K均值算法是一种常用的基于原型的聚类算法。但该算法要求用户随机选择初始质心,使得K均值算法受初始化影响较大。二分K均值算法虽然改善了这个问题,但仍然要求用户指定聚类个数,影响了聚类效果。用层次聚类对二分法进行改进,解决了二分K均值算法受用户指定的聚类个数的影响的问题。并结合Chameleon算法,合并划分过细簇,优化聚类结果。仿真实验证明改进的聚类算法的抱团性和分离性优于二分K均值聚类算法。

基于内聚度和耦合度的二分K均值方法

聚类分析是数据挖掘中最重要的技术之一,它在社会经济的各个领域都具有重要作用,并被广泛应用。K均值算法是最经典、应用最广泛的聚类方法之一,但其缺点是过度依赖初始条件和聚类数目难以确定,这制约了其应用范围。引入簇的内聚度和耦合度的定义与度量方法,基于"高内聚低耦合"的原理,在二分K均值聚类过程中对得到的簇进行不断的分裂和合并,并判断聚类结果是否满足要求以确定聚类的次数和簇的个数,从而实现对二分K均值聚类过程的改进。在Iris数据集上的实验测试与分析表明该算法不仅更加稳定,而且其聚类结果的正确率也较高。

基于线性判别分析和二分K均值的高维数据自适应聚类方法

将线性判别分析和二分K均值聚类耦合在一起,提出了一个适合于高维数据聚类的自适应方法:利用线性判别分析将高维数据集变换成低维数据集,然后在低维数据集上执行二分K均值聚类,并把得到的聚类结果通过一个簇成员指示矩阵H变换到原数据集中.将这样的过程反复进行,直到自适应地得到一个最优结果.基于现实数据集的实验结果证明了该方法的有效性.

基于Hadoop的二分K均值改进算法

传统的二分K均值算法在二分过程中采用随机选择的方式选择聚类质心,为了选择到理想的质心,需要重复选择多次,这种方式的时间代价比较大。为此,本文提出采用极大距离点作为质心的方式,有效的降低了时间复杂度,同时运用点抽样的方法避免离群点带来的影响。同时,考虑到随着时代的发展,我们面临的数据量会越来越大,本文提出了一种基于Hadoop分布式平台的并行二分K均值算法,实验表明,该并行算法能够获得较为理想的加速比。

基于二分K均值聚类和最近特征线的视频超分辨率重建方法

提出一种基于二分K均值聚类和最近特征线的视频超分辨率重建方法.该方法在生成图像块训练样本库阶段,为了解决传统K均值算法对图像块聚类时间复杂度较大的问题,设计一种基于二分K均值图像块聚类算法,用以实现快速构建初始训练样本库;在视频帧超分重建阶段,通过改进的最近特征线方法扩充样本库,并舍弃其中的不合适样本,提升样本库的表达能力.该视频超分辨率重建方法应用于基于关键帧的视频超分辨率重建,首先对时序上近邻的两个关键帧下采样并分块,然后使用图像块聚类算法构建初始训练样本库;对于这两个关键帧之间的低分辨率帧,使用改进的最近特征线方法扩充的训练样本库重建出对应的高分辨率帧.实验结果表明,提高了视频超分辨率重建的时间效率,同时也提升了每一帧重建图像的主客观质量,证明了算法的有效性.

二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。

基于部分实例重判的二分K-means算法

针对二分K-means算法存在的误判实例无法再参与后续划分并降低了聚类的精度的问题.提出一种基于部分实例重判的二分K-means算法,通过区分目标簇和候选簇,过滤出候选簇中的召回实例,对召回实例所应归属的簇进行重判,实现了误判实例的正确聚类.实验结果表明,改进算法对三个实验数据集都是有效的,在不同程度上提高了聚类的准确性,同时对算法的运行速度也有小幅度的提升.

基于多源数据的南京市域城乡融合水平测度研究

以特大城市南京市作为实证分析对象,通过耦合协调度和二分K均值聚类算法进行量化评价,利用多源数据创新市域城乡融合水平测度的思路与方法,探索性构建由城镇化发展水平、土地集约利用水平、设施均等化水平与城乡联系水平四大子系统所组成的评价指标体系。分析结果表明:①南京市域城乡融合系统耦合协调度的空间分布呈现出圈层扩散与点轴扩散并存的蛛网结构;②各子系统发展水平的分布特征具有一定差异,其中土地粗放利用与设施建设短板是制约发展协调地区进一步提升的关键因素,发展失调地区多受限于交通区位,城乡联系较为薄弱,因而发展动力不足。③各项指标发展水平的聚类特征明显,呈现出城市、城市边缘、小城镇、乡村4级9类的城乡融合单元。其中城市边缘地区细分为边缘新城、郊区副城、郊野公园3类单元,乡村地区则包括城市辐射型、观光休闲型、人口聚居型与偏远独立型4类。

基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法研究

马铃薯作为一种产量可观、营养丰富的农作物,已经成为全球不可或缺的食物之一。但恰恰因为其体量庞大的特点在对马铃薯进行分类出售时需要耗费大量的人力和物力以及时间。为了实现对马铃薯品质的自动分类,解放人力物力,提升效率。我们提出了一种基于计算机视觉及改进特征融合YOLOv5s算法的马铃薯表皮缺陷程度检测方法,我们把YOLOv5s的颈部网络中的特征金字塔网络结构替换为加权特征金字塔网络结构,采用这种双向加权特征网络能够更好的提取特征信息,更好的融合特征。并且我们加入了二分K均值聚类算法,该算法的加入极大提升了检测时的收敛速度和精度,并且有效避免了K均值聚类算法因初始聚类点质心选取不适所带来的影响。经过我们的实验表明,本项技术能够对马铃薯表皮检测的正确率达到98%。由此可见,本项基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法可行性较强,可以用于市场对马铃薯检测分类。

基于谱聚类的两阶段颜色量化算法

颜色量化是进行图像处理和图像分析的重要技术之一,可以被广泛地应用到图像分割、图像压缩和图像识别中。首先利用高效的二分K均值聚类进行粗略量化,然后使用基于加权距离的谱聚类进行再次量化。实验结果表明,和其他常见量化算法相比,两者的结合使得新方法在运算速度和量化质量上都取得了不错的结果,而加权距离的引入,有效地解决了传统算法将包含像素个数少但重要的颜色进行错划分的问题。

聚类算法在船舶能效数据挖掘中的应用

以船舶节能减排为数据挖掘目标,以目标船一个完整航次的转速、功率、油耗量、GPS数据为基础,通过统计分布图和高斯混合模型聚类,得到了压载航次中主机的三种运行工况.采用二分K均值聚类法对整个航次各工况的数据分别进行聚类,比较得出最佳工况点,并利用其聚类点进行多项式拟合,最终得到了功率-单位海里油耗关系曲线.通过图像得出可以得出,单位海里油耗量随着主机功率的增大有增大趋势,但当功率小到一定程度,单位海里油耗量会反而增大,抛物线的最低点为该航次最佳工况下的理论最低单位海里油耗量.

一种基于凝聚度的报警处理算法

在研究分类系统和语义相似度的基础上,给出了簇的凝聚度的概念,提出了一种基于凝聚度的报警处理算法。算法以凝聚度为基础,利用改进的二分K均值算法聚合报警,并对聚合结果进行异常提取。实验结果表明,提出的算法能有效聚合大量报警、发现异常报警,且聚合结果具有良好的语义和较高的准确性。

基于改进YOLOv4算法的苹果叶部病害缺陷检测研究

针对苹果叶部病害缺陷检测效率低下、误检率高、实时性差等问题,以苹果叶部的灰斑病、黑星病、锈病、斑点落叶病作为研究对象,提出一种基于改进YOLOv4算法的苹果叶部病害缺陷检测算法。首先通过数据扩增对数据集扩充提升鲁棒性,算法通过二分K均值聚类算法确定锚框以解决预设锚框不适用苹果叶部病害的问题,引入DenseNet121作为特征提取网络,提升对苹果叶部病害缺陷的检测性能,并且减小模型大小,降低存储开销。将模型与YOLOv4模型进行对比验证,试验结果表明,改进后的YOLOv4模型平均精度均值(mAP)达到97.52%,与改进前相比提升0.89%,模型大小为62.71 MB,与改进前相比减小182.82 MB,检测速度为26.33 FPS,与改进前相比提升6.78 FPS。能够满足实际生活中对苹果叶部病害检测的需求。

基于椭球拟合的人体—服装碰撞检测方法

为了实现服装仿真中服装与人体的快速碰撞检测,提出了一种基于椭球拟合的碰撞检测方法。首先,以测地距离等值线为基础数据,结合人体尺寸与身高的线性关系和人体结构特征提取模型特征点,实现模型语义分割;然后,以径向距离的平均值作为椭球与模型之间的拟合误差,采用剪枝优化的二分K均值聚类算法逐步增加聚类中心个数,实现对人体模型的快速聚类并生成一系列逼近模型的最小体积包围椭球;最后,使用生成的包围椭球代替人体模型与布料进行碰撞检测。实验结果表明,该方法不仅能快速实现对三维人体模型的高度拟合,而且有效提高了碰撞检测的计算效率。

无粗定位亚像素边缘检测算法研究

针对传统的亚像素边缘检测技术需要先进行粗定位,然后再进行精确定位的问题,提出无粗定位亚像素边缘检测算法.针对彩色图像降低维度边缘信息损失的问题,提出主轴分析法来保存图像的边缘信息.针对滤波后图像边缘特征模糊的问题,提出基于二分K均值的中值滤波算法,在滤除噪声的同时,增强图像的边缘.最后从检测精度、检测效率和可靠性3个方面验证算法的有效性.

基于编辑距离的序列聚类算法的优化

现有的很多序列聚类算法都是基于"局部特征可以代表整个序列"的假设,在实际应用中不对序列局部相似性和全局相似性加以区分,这对于存在子模式的序列聚类是适用的,如基因序列和蛋白质序列。但是对于不存在子模式的序列,如对临床行为序列、用户购买行为序列进行聚类时,用基于全局相似性度量的聚类方法更为恰当。针对不存在子模式的序列聚类的需要,采用编辑距离作为序列相似性计算方法,在二分K均值算法的基础上,提出了利用编辑距离上下界以及通过前缀子序列进行剪枝的序列聚类算法PSClu。该算法能有效过滤编辑距离的计算量。实验结果表明,PSClu能有效减少编辑距离的直接计算,具有较好的聚类效率和聚类质量。

基于机器学习的集群式风光一体短期功率预测技术

针对区域风、光电站群的功率预测,由于各站建站时间不同、单站预报精度残次不齐,导致传统的单站功率累加法预测精度和运行效率不高的问题,采用基于机器学习的二分K均值聚类算法分别对区域内的风电场和光伏电站群进行合理划分,结合区域内各电站历史功率数据及区域总历史功率数据的相关性,选取出各区域的代表电站。在对数值预报要素进行优化订正后,采用BP神经网络法建立基于风电场和光伏电站集群划分的短期功率预测框架模型。结果表明:采用该方法的集群式风电和光伏短期功率预测准确率高于或接近于传统单站累加的预测精度,且该方法在保证预测精度的同时,能够显著提高建模效率。