一种基于聚类的彩色图像分色算法

图像分色在纺织和印刷等行业中有着广泛而重要的应用,其目的是用尽量少的颜色来描述一幅彩色图像,使得到的分色图像与原图像尽可能的接近。提出一种基于单遍聚类和K-均值聚类相结合的自适应图像分色算法。该算法首先对原图像颜色进行统计学习,由单遍聚类产生初始调色板,然后根据该调色板对原图像的像素点进行K-均值聚类,产生分色图像。实验结果表明,与单纯K-均值聚类算法相比,该算法能在提高分色图像质量的同时进一步减少颜色数。

基于密度聚类算法的电力通信监测分析

为解决传统基于密度的噪声应用空间聚类(DBSCAN)算法对输入参数设置敏感,以及传统的边缘计算框架计算成本高、计算时间过长等问题,创新性地提出了一种单遍权重K-means(SPWK)聚类算法。构建了电力通信网络故障及入侵监测模型,并将深度强化学习技术与边缘计算相结合,以降低计算成本和计算时长。仿真试验结果表明:SPWK聚类算法的迭代次数更少,平均执行时间以及总聚类时间分别低于其他算法67.5%、37.5%,加速比高出76.4%以上,聚类效率更高;边缘计算优化方法的服务器占用时间以及计算等待时间分别低于其他算法70.4%以上和79.2%以上,性能更优;电力通信监测模型对异常数据的平均识别准确率高出其他算法23.86%以上,入侵检测率高出其他算法4.8%以上,误报率降低65.4%以上,具备优异的检测性能。综上所述,所提故障及入侵监测模型以及边缘计算优化方法的性能均优于其他流行方法,适合在电力通信监测研究中推广使用。

基于多中心模型的网络热点话题发现算法

为了有效消除网络话题相关报道内容侧重点变化对网络话题发现准确性的影响,提出了网络话题多中心模型。将报道内容之间的关联关系层次化,提高了对网络话题的描述能力。提出了基于多中心模型的网络热点话题发现算法,利用话题中心判别新出现的报道是否属于已有网络话题,算法基于单遍聚类思想,通过引入话题中心的策略优化了算法的计算开销。实验结果表明:该算法可以全面、准确地发现网络热点话题,同时具有较为理想的性能,可应用于大规模网络动态流式数据环境下的热点话题发现。

面向不均衡数据集的在线式异质媒体网络事件发现

随着互联网的发展,网络数据呈现出异质数据多、文本标签化、数据不均衡等特点,这使得传统的基于长文本在线式网络事件的方法逐渐失效。采用改进的Single Pass方法进行在线式异质媒体网络事件发现:首先,通过分析网络数据中的不均衡性,重新设计相似度计算公式;其次,设计滑动时间窗口来提高Single Pass的算法效率;最后在Flickr的SED2014数据集上开展实验。实验结果表明,提出的算法具有有效性和实用性。

基于主题扩展的校园论坛热点话题发现方法与系统

文章首先给出了基于话题检测实现论坛热门话题发现的基本方法,再针对论坛文本稀疏性造成的漏报率高的问题,提出了基于主题扩展的话题发现方法,最后设计并实现了一个BBS热点话题发现原型系统。实验结果表明文章提出的方法和系统可以有效地监控校园论坛上出现的热门话题。