基于优化初始种子新策略的K-Means聚类算法

作为典型的启发式聚类算法,K-Means受到初始模型的影响而存在两个缺陷:算法对初始模型非常敏感和聚类效果差强人意。若给K-Means一个能够反映数据分布特征的初始种子集,这些种子既处于数据密集区域,又尽可能相互之间远离,这样一个初始模型对于提高启发式算法性能具有重要意义。本文据此给出距离密度混合选择(HYDD)种子优化方案的基本思路:对数据集进行密度排序,在此基础上选取密度大且满足距离大于密度直径的数据作为候选初始种子集,在候选初始种子集上,利用点点之间距离从大到小选取K个所需的种子,最后利用该初始种子集引导K-Means算法来搜索聚类结果。在5组仿真数据集和3组真实数据集上的实验结果表明,HYDDK-Means算法能够稳定的获取具备高内聚、高分离这一优良特征的聚类簇。

初始种子电子团对短空气间隙流注放电行为的影响

流注放电过程中初始种子电子团的形成数量及位置具有随机性,为揭示初始种子电子团对流注放电行为的影响,建立流体动力学-化学反应混合模型,数值仿真大气压下棒-板间隙为5 mm的流注放电过程。模型包括电子、正负离子连续性方程、电子平均能量方程和电场的泊松方程以及23种粒子间化学反应。分别在模型中对密度峰值和分布位置预设置3个不同数值,研究初始种子电子团密度峰值和分布位置对空气间隙流注放电行为的影响。结果表明:初始种子电子团密度峰值的增加只会加速流注的形成,不会影响流注的时空变化规律;而分布位置的改变会影响流注的时空发展特性,初始位置与棒电极的距离越远,形成的流注到达板电极的时间愈短。

基于SSPG的空间聚类初始种子选择方法

提出了初始种子选取原则及其基于这个原则的"单连通最短路径图"的初始种子选择方法,能自动发现数据集种密度相对较大的区域,并根据预先设定的聚类数目自动获取最优的初始种子集合。实验结果证明了该方法具有较高的正确性,有效提高了空间聚类效率。

热泵干燥种子的实验研究

以白菜种子为例,研究了热泵干燥过程中干燥温度、干燥空气相对湿度、干燥空气流速以及种子初含水率对干燥过程及种子活力的影响,结果表明:热泵干燥是一种良好的种子干燥技术,合理调节运行参数,完全可以保证种子的干燥质量。

基于密度等高线的原型初始化方法

对于FCM类算法而言,种子的初始化是保证算法不陷入局部最优值和减少计算时间的关键.本文中提出根据密度分布特性的密度等高线来确定种子的选取不仅可以确定种子的个数,同时可以加快FCM算法的执行.

基于最大维密度的全局优化空间聚类算法

在优化空间聚类算法的研究中,传统的K-means空间算法存在两个缺陷,其一是对空间对象的属性描述不全面,其二是对初始种子集选取敏感,容易陷入局部最优值,聚类结果不稳定。为了优化算法,引入适合空间对象的空间属性距离和基于最大维密度选择方案(Max-Dimension of Density Based Seeking,MDDBS)来改进K-means算法,提出利用最大维密度的全局优化空间聚类算法(Max-Dimension of Density Based Clustering,MDDBC),可从密度大的区域选取初始种子,同时又尽量将种子分散在数据空间。实验结果表明,改进方法可以很好消除聚类结果的波动性,同时更加客观地呈现空间对象的分布规律。

基于赋权连接图的增量式运动恢复结构算法

运动恢复结构算法(structure from motion, SfM)是一种通过计算图像匹配关系,恢复出相机位姿和目标三维结构的重建算法。提出一种基于赋权视角连接图的增量式运动恢复结构算法。首先建立基于图像对立体匹配质量的赋权连接图,量化了图像两两之间的匹配关系;其次在赋权连接图中边的权重的基础上,搜索度数感知的最佳初始种子对;最后根据已重建顶点的连通性构建下一张最佳图像候选集,设计了基于顶点度数与特征点分布的下一张最佳图像评价算法。在公开数据集上实验结果显示,本文算法在重建质量、相机校准率和点云生成数量的表现优于现有先进的运动恢复结构算法,相比基准对比算法,本文算法在不同数据集上平均重建耗时至少降低了19%,点云生成速率至少提升了21%。