可能性聚类算法在图像分割中的应用研究

可能性聚类算法是在模糊C均值聚类算法基础上发展而来的,它因为放松了隶属度为1的约束,提高了数据聚类的抗噪性能。将可能性聚类算法应用于图像分割,并分析其在图像分割中的特点和优势。实验证明,可能性聚类算法在图像分割中具有对初始聚类中心敏感,并且对于目标边缘位置有较为理想的分割效果的特点。

核聚类算法及其在模式识别中的应用

将核学习方法的思想和可能性聚类算法相结合,提出一种基于核的可能性聚类算法,使其能够对非超球体、含有噪音和孤立点的数据进行有效的聚类。将该方法用于模式识别中,仿真实验表明,基于核的可能性聚类算法比模糊C-均值算法以及可能性聚类算法具有更好的聚类效果,且算法能够很快地收敛。

一种基于核聚类的多分类器选择算法

本文针对目前人们对分类性能的高要求和多分类器集成实现的复杂性,从分类器分类错误的分布特性和识别性能出发,对基于核聚类的多分类器选择算法内容及应用要点进行了探讨。这种算法是围绕核的可能性聚类算法作为核心构建的,找出各分类器在特征空间中局部性能较好的区域,并利用具有最优局部性能的分类器的输出作为最终的集成结果。理论分析和实验结果表明:该算法具有很好的分类性能。

结合非局部信息截集核可能性聚类的图像分割算法

核可能性C-均值(KPCM)聚类算法将核方法引入可能性聚类中,使其对超球体、含噪声和奇异点的数据能进行有效聚类,但存在可能性聚类的中心重合问题。因此,将β-截集引入KPCM聚类算法中,通过产生聚类核修改部分样本数据的典型值,以改善类间关系。同时,提出了一种基于截集门限的核可能性C-均值(C-KPCM)聚类算法,克服了KPCM聚类算法一致性聚类的缺陷。结合图像的非局部空间信息,利用自适应中值滤波算法可自适应调节滤波半径的特性,产生新的模糊因子,并将其加入C-KPCM聚类算法的目标函数中,提出了基于非局部空间信息的核可能性C-均值聚类算法,增加了强噪声干扰下聚类算法的鲁棒性,仿真结果验证了本算法有效性。

融合HOG和颜色特征的人体姿态估计新算法

为解决现有人体姿态估计算法在处理光照条件很差或颜色对比度很低的待处理图像时估计准确度较低的问题,利用梯度方向直方图(HOG)和颜色特征建立了一种的基于可能性C(PCM)聚类算法部位外观模型,提出了一种新的融合HOG特征和颜色特征的人体姿态估计算法。算法根据待处理图像自动选择部位外观模型,若图像的光照条件和颜色对比度都较好则选择现有的基于HOG和颜色特征融合的部位外观模型,否则选择基于PCM聚类算法的部位外观模型。仿真实验表明所建立的部位外观模型能更准确地描述光照条件很差或颜色对比度很低的图像中下真实人体部位的外观,提出的人体姿态估计算法对各种类型的待处理图像均能得到准确度更高的估计结果。

智能电网电量异常数据的识别和修复研究

为了提升智能电网电量数据质量、保证电网安全运行,对智能电网电量异常数据的识别和修复进行了研究。创新性地采用粒子群优化(PSO)算法优化可能性模糊C均值(PFCM)聚类算法,组成PSO-PFCM算法。通过指标函数确定最优聚类数目和最优聚类中心、聚类电量特征曲线,结合各类别电量曲线特征识别异常电量数据。建立径向基函数(RBF)神经网络修复模型,输入识别到的异常电量样本数据。经归一化预处理、神经网络训练后,用输出结果替换异常电量值,以实现异常电量数据的修复。试验结果表明:该算法的异常电量数据检测率高于0.82、误检率低于0.06,修复后电量值更接近实际值,异常修复相对误差低于20%。以上数据证明所提算法可智能识别和修复异常电量数据,保证电网安全运行。

基于改进模糊神经网络的电力系统短期负荷预测

提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。