基于分裂式K均值聚类的图像分割方法

模糊C均值聚类(FCM)算法是一种有效的无监督图像分割方法,适用于任意分类数,不需要预知图像特征,但其聚类效果直接受待分类样本噪声和分类初始条件的影响。因此,提出了一种适用于彩色图像分割的分裂式K均值聚类(FKM)算法,该算法首先使用中值滤波对分类样本去噪,然后使用一种分裂聚类法对图像样本进行预分类,得到一组样本集初始划分,最后以这组划分为起点,使用基于概率距离的K均值聚类对图像分割进行迭代优化。实验结果表明,该算法可以避免FCM的误分类,诸如陷于中心死区、中心重叠和局部极小值,而且提高了分割速度。

基于分裂式K均值聚类的肤色检测方法

针对复杂图像背景及光照导致的肤色检测率不高的问题,提出一种基于分裂式K均值聚类的椭圆模型肤色检测方法。该方法对图像进行光线补偿处理,采用Gray World方法对图像进行颜色均衡,选择建立检测效率较高的椭圆肤色模型进行肤色检测,并在检测出的肤色区域上采用分裂式K均值聚类(FKM)进行二次的肤色判决,进一步准确检测出肤色区域。实验表明,所提出的检测算法能准确高效地检测出肤色区域,具有较高地准确率和较强的鲁棒性。

基于k均值聚类的直推式支持向量机学习算法

针对直推式支持向量机(TSVM)学习模型求解难度大的问题,提出了一种基于k均值聚类的直推式支持向量机学习算法——TSVMKMC。该算法利用k均值聚类算法,将无标签样本分为若干簇,对每一簇样本赋予相同的类别标签,将无标签样本和有标签样本合并进行直推式学习。由于TSVMKMC算法有效地降低了状态空间的规模,因此运行速度较传统算法有了很大的提高。实验结果表明,TSVMSC算法能够以较快的速度达到较高的分类准确率。

基于分裂式K均值聚类的无线网络信息定向挖掘方法研究

为增强无线网络信息定向挖掘效果,设计一个基于分裂式K均值聚类的无线网络信息定向挖掘方法。设定数据挖掘规则,对待处理的信息分块处理,将不同数据信息统一到数据节点中,寻找海量数据中的频繁事务,计算信息的主成分,并检索边权重,得到数据关键特征,筛选数据挖掘候选集,采用分裂式K均值聚类方法对大数据聚类,进一步计算候选集中每一类别下数据特征出现的概率,实现基于分裂式K均值聚类的无线网络信息定向挖掘。实验表明,所研究的定向挖掘算法挖掘精度高、可挖掘特征形成概率高、挖掘时间少、占用的内存少,有效增强无线网络信息定向挖掘效果。

预约式通学公交发展模式研究

早、晚高峰期间,中小学校周边道路交通拥堵一直是国内大部分城市的通病,如何通过集约化的公交出行方式改善交通环境显得尤为重要。以苏州景城学校为例,提出一种预约式通学公交发展模式,基于K均值聚类算法设计站点和Dijkstra算法设计线路,对预约式通学公交开行前期、中期、后期全流程工作、多主体协同进行系统设计。针对该模式的实施效果展开定量分析,结果表明,预约式通学公交在缓解交通拥堵、优化资源配置、保障出行安全,减轻家长接送压力具有良好效果。

一种基于聚类方法的多阶段间歇过程监控方法

针对阶段不等长的多阶段间歇过程,提出了一种基于k-均值聚类方法的阶段分段策略,可以将不等长的阶段准确分类。首先,将间歇过程的三维训练数据按变量方向展开成二维矩阵,再通过k-均值聚类的方法按照相关性将数据聚成多类并运用主元分析(PCA)方法分别对每一类建立模型。在线监控时,通过计算样本与模型之间的相似系数以选择最合适的模型进行在线监控。此方法可以将不同批次在同一采样时刻的过程数据按照相关性分到多个阶段,更符合生产过程中常见的过程数据阶段不等长的情况。最后利用青霉素仿真验证了该方法的有效性。

独立于应用的数据库聚类技术

文章提出了一种独立于应用的数据库聚类技术,是多数据库挖掘的重要步骤,处于数据准备阶段,也是分组规则合成的前提,该技术主要包括多数据库最优划分方法,该方法将数据库的属性集当作其特征。数据库最优划分方法采用非对称二元变量相似度计算方法得到数据库间相似度,利用分裂层次聚类法对数据库进行完全划分,然后借鉴k中心点方法提出最大树方法选出对应簇中心,最后利用自适应模糊C-均值聚类方法的评价函数获得最优划分。

基于节点重要度聚类的可变线路公交站点规划

可变线路式公交融合常规公交高效率、低成本以及需求响应公交灵活性强的特点,是解决低出行密度地区公交服务问题的有效途径。文章分析影响可变线路式公交站点规划的5个因素,基于影响因素构建节点重要度模型,利用k均值聚类算法确定可变线路式公交站点的节点,并结合算例进行论证。结果表明,基于节点重要度聚类的可变线路公交站点规划方法具有一定可行性与实用性,为公共交通规划可变线路式公交提供参考。

基于嵌入式平台的交通标识检测

针对嵌入式平台存储容量小,无法实现复杂深度学习网络的交通标识检测问题,提出一种基于改进的Tiny-YOLOv3的交通标识检测算法。首先通过K均值聚类算法对候选框进行预处理,其次增加卷积层并建立输出为8倍降采样的目标检测层,然后对网络的卷积层和目标检测层进行密集连接。最后在NVIDIA Jetson TX2上对网络进行测试,实验结果表明,改进后的Tiny-YOLOv3算法准确率为93.53%,召回率为92.49%,参数量为6.4M。相较于原Tiny-YO⁃LOv3,准确率提高4.17%,召回率提高2.63%,参数量减少83.6%,在满足准确检测交通标识的同时降低网络在嵌入式平台的存储需求。

R＊树结点的主元分界分裂方法

为降低R*树结点重叠度,提高其空间利用率,通过结点特征点集方差及各子特征点集方差之和建立主元分析和结点分裂之间的联系,基于主元分析算法对特征点集进行降维处理,计算特征点集的主元向量,过特征点集中心且正交于该向量建立分界面对特征点集进行划分,将各簇数据的中心作为结点分裂的初始分裂中心,实现R*树结点分裂。实验证明,该算法具有较高的结点分裂效率,使得R*树结点重叠度降低,分裂结果较合理,显著提高了R*树构造效率和k近邻查询效率。

GMM文本无关的说话人识别系统研究

在高斯混合模型(Gaussian Mixture Model,GMM)训练时,对传统的模型参数初始化方法(随机法、K均值聚类法)进行改进,提出分裂法与K均值聚类相结合的新方法。实验表明,采用改进的方法与传统方法相比,系统平均识别率有15.47%和7.5%的提高。研究了GMM的阶数、协方差阈值、预加重系数对系统识别率的影响。对实验结果进行详细分析,并根据实验数据,取它们各自表现最好的值,从而使构建的说话人识别系统获得一个较高的识别率。实验表明,在规定的实验条件下,系统可达到90%以上的识别率。

短语音说话人辨认的研究

针对短语音说话人辨认训练语料不充分的特点,对特征参数和GMM模型进行优化和改进,提出一种基于局部模糊PCA的GMM说话人辨认方法.该方法采用特征组合代替单一特征,以提高有效特征维数来弥补特征样本的不足,并用局部模糊PCA对组合特征进行有效降维,在对识别率影响很小的前提下,降低了系统的时空复杂度.本文还对GMM参数初始化方法进行改进,采用分裂法与模糊k均值聚类相结合方法.实验表明,与传统初始化方法相比该方法能有效提高短语音说话人辨认性能.

基于SuperMap的电力管网GIS系统空间数据处理的研究及应用

电力管网分布区域广、数据量大,给电力管网地理信息系统(geographic information system,GIS)的实时响应性能和操作平滑性能提出了挑战。作者对电力管网GIS空间数据处理问题进行了研究。在图层删选中,提出了一种基于模糊聚类的图层关联分析方法;在空间数据组织中,采用基于"四倍原则"的无缝空间数据分块分级组织方法。最后对系统数据库的选择提出了建议。