基于支持向量聚类和模糊粗糙集的交通流数据修复方法

为解决受天气影响、探测器故障和人为错误等多种原因造成的交通流数据丢失问题,提出一种基于模糊粗糙集理论的交通流数据补缺方法,将支持向量聚类与模糊粗糙集结合进行交通流数据的分类,并结合模糊神经网络和遗传算法进行数据补齐。该方法对支持向量聚类参数,聚类大小和加权因子进行优化,并估计缺失值。研究结果表明所提出的混合方法具有足够且合理的数据修复性能,与模糊神经网络等估算模型的结果对比表明,该模型的数据修复效果优于其他对比模型。

基于快速支持向量聚类和相似熵的多参雷达信号分选方法

该文针对现有聚类算法在雷达信号分选应用中复杂度高,准确性低的问题,研究了一种基于锥面簇分配的支持向量聚类算法,该算法在数据空间进行簇分配,避免了特征空间中计算邻接矩阵带来的高复杂度问题。该文将此算法引入雷达信号分选中,并在此基础上对其进行改进,使改进后的算法能对异常值做进一步处理,以达到缩短消耗时间的同时提高正确率的目的。同时以信息熵的理论描述类内聚集度和类间分离度,应用相似熵指标验证分选效果的有效性。仿真结果表明,该方法在提高分选正确率的同时可以有效降低计算复杂度。

支持向量聚类联合类型熵识别的雷达信号分选方法

针对复杂环境下传统雷达信号分选处理中由于设定容差难以准确分选的问题,提出一种分层互耦支持向量聚类(SVC)联合类型熵识别的多参数雷达信号分选方法.该方法首先对雷达信号的全脉冲序列进行分层处理,再分别对每个子序列进行SVC聚类,然后引入分层耦合的思想,利用所提取子序列的全部质心,重新进行SVC聚类,将各分层的全脉冲序列中属于同一雷达信号源的子序列连接起来,从而实现对雷达全脉冲序列信号的分选.根据类型熵随信号种类数的增加及信号复杂性的增加而增大的特点,对多参数聚类结果进行类型熵的计算,并将类型熵识别用来辅助信号分选.实验结果表明,对于高脉冲密度环境和复杂的信号形式,提出的方法避免了传统信号分选方法中所面临的容差问题对信号分选的影响,可以实现有效分选.

一种支持向量聚类的快速算法

为了降低支持向量聚类 (SupportVectorClustering ,SVC)的运算复杂性 ,基于Yang等提出的邻近图法 ,用Mercer核来表达Hilbert空间中的Euclidean距离 ,以此作为边的权重度量来生成最小生成树 (MinimumSpanningTree ,MST) ,并只对MST的主干进行SVC连接运算 .文中还定义了不相容性度量 ,并将其作为SVC连接运算中边的选择依据 .试验证明 ,改进后算法的运行速度及聚类效果均优于邻近图法 ,特别是对大数据集的处理具有明显的优势 ,且具有一定的抗噪能力 .

支持向量聚类的UUV障碍物孤立点惰性检测

针对UUV避碰声呐探测障碍物过程中数据的弱可观问题,提出了基于支持向量聚类的障碍物孤立点惰性检测方法.利用基于支持向量的聚类算法将声呐探测的数据划分为噪声点,低威胁障碍物和威胁障碍物.由于噪声点和低威胁障碍物不会对UUV的航行造成威胁,所以根据其分布的随机性特点将其作为孤立点进行检测.为了避免探测数据的过早判定导致的对障碍物的过度估计及误判,提出了惰性算法来降低由原始数据的弱可观性和声呐的过度敏感性所带来的障碍物误判的概率.通过仿真试验和海试数据验证表明了该方法对障碍物数据中孤立点检测的有效性.

基于粗糙集的支持向量聚类方法

针对支持向量聚类(Support Vector Clustering,SVC)的软核,引入了粗糙集的理论。通过粗糙集的上下边界,对SVC算法的核函数进行改进。通过聚类过程,算法不仅可以有效处理边界点,发现任意形状的软聚类集,还可以通过交互参数调整,控制结果的软边界。基于粗糙集的SVC解决了不确定边界的归类问题,而不需要额外的计算开销。实验结果表明算法能有效地处理软边界,同时也证实了算法的正确性。

提取城市道路边线的点云法向量聚类法

考虑城市道路边缘的空间姿态特征,建立了一种自动提取道路边线点云并绘制道路边界线的方法.建立空间格网点云存储结构,利用网格内整体点云的法向量特征对其进行聚类和分割,利用改进K均值算法提取道路边线点云,采用中值法绘制道路边界线.基于本文方法,分别选择实验区直线段和曲线段道路扫描数据进行分析.结果表明,本文方法不依靠任何辅助信息,便可以提取直线和曲线道路边线点云以及绘制道路边界线,在路面平坦的工况下有较好的提取效果.

基于支持向量聚类的多分量线性调频信号检测

为了精确获取多分量线性调频(Linear FM,LFM)信号中分量的数量,该文引入支持向量聚类(Support Vector Clustering,SVC)算法对LFM信号的Radon-时频分析结果进行聚类分析,完成多个分量的检测;并通过减少SVC算法中输入集样本数量和改进聚类标识方法为"直接聚类标识"法,提高了SVC算法的计算效率。仿真结果表明:在较低信噪比条件下,Radon-时频分析和SVC结合的方法可有效地检测多分量LFM信号中分量数和进行参数估计。

大型风电场动态等值的改进支持向量聚类算法

针对风速波动性强与风电场多样性导致的风机聚类参数多样化的特点,提出了一种基于支持向量聚类(SVC)的大型风电场动态等值聚类算法。该算法应用遗传算法实现簇标定,采用分段多目标函数迭代求解,保证了聚类结果的精度与速度,克服了传统SVC簇标定抽样判决的不足。应用样本轮廓值修正聚类结果,保证聚类结果的合理性,根据等值前后风机机端电压不变原则建立了电缆等值模型。以实际风电场为算例进行仿真,结果表明,该算法单次聚类时间为SVC的4%左右,采用遗传算法能够实现不同精度的等值机台数优化,得到的等值机与簇内单机的有功功率、无功功率动态特性具有较高一致性,轮廓值修正能够保证聚类结果的样本轮廓值都大于0。

一种基于支持向量聚类的图像分割方法

利用支持向量聚类分类准确、参数少、无监督学习的特点,提出一种基于支持向量聚类的图像分割方法。该方法首先对数据集分块并对每块进行SVC聚类,再取其簇内均值作为K均值聚类样本点,进行聚类,最后将得到的结果进行合并。实验证明该方法不但改变了传统分割方法中人为选取阈值参数的作法,而且受目标和噪声影响小,提高了图像分割的鲁棒性和效果,能够有效地进行图像分割。

两元指纹向量聚类问题的复杂性与改进启发式算法

证明丢失值位数不超过2的指纹向量聚类问题为NP-Hard,并给出Figueroa等人指纹向量聚类启发式算法的改进算法.主要改进了算法的实现方法.以链表存储相容顶点集合,并以逐位扫描指纹向量的方法产生相容点集链表,可将产生相容点集的时间复杂性由O(m·n·2p)减小为O(m·(n·p+1)·2p),可使划分一个唯一极大团或最大团的时间复杂性由O(m·p·2p)减小为O(m·2p).实际测试显示,改进算法的空间复杂性平均减少为原算法的49%以下,平均可用原算法20%的时间求解与原算法相同的实例.当丢失值位数超过6时,改进算法几乎总可用不超过原算法11%的时间计算与原算法相同的实例.

一种新的最小二乘支持向量聚类

针对传统支持向量聚类的低性能和高耗费问题,提出最小二乘支持向量聚类(LSSVC)模型,设计自适应参数化方案。模型中包括两步簇划分算法和快速训练算法。前者对支持向量和非支持向量分别进行划分,后者采用增量方式,每次增量对应聚类模型的双向学习过程。实验结果证明,LSSVC可有效提高同类算法的效率,具有良好聚类能力,当数据增量为工作集大小的10%时,算法可在时间耗费和聚类准确率之间取得良好的平衡。

融合LSI和支持向量聚类的网页文本分类算法

特征选择和分类算法是网页文本聚类中最关键的技术。提出对网页文本提取特征值后,利用潜在语义索引对网页文本降维,采用支持向量聚类(SVC)算法对降维后的特征向量进行聚类,以此进行文本分类。实验结果显示具有较好的效果。

融合独立分量分析与支持向量聚类的人脸表情识别方法

针对人脸表情特征提取及自动聚类问题,提出了融合独立分量分析(ICA)与支持向量聚类(SVC)的人脸表情识别方法。采用ICA方法进行人脸表情的特征提取,然后采用混合因子分析(MFA)的交互参数调整方法得到局部约束支持向量聚类(LCSVC)的半径,有效降低了表情类别聚类边缘的部分干扰,这比单独采用支持向量聚类(SVC)方法效果要好。测试样本时通过比较新旧半径的值进行判决,实验结果表明该方法是有效的。

一种快速的支持向量聚类雷达信号分选方法

针对现有支持向量聚类算法复杂度较高,在密集、复杂、多变的现代雷达对抗信号环境中,无法同时满足雷达信号分选的准确性和实时性,提出了锥面映射支持向量聚类的雷达信号分选方法,并利用熵表征的聚类因子调整验证聚类效果。仿真结果表明,该方法在保证信号分选正确率的同时,可有效提高雷达信号分选速度,具有一定的实用价值。

改进支持向量聚类在网络入侵检测中的应用研究

首先对于支持向量聚类中的聚类形成算法做了一定的改进,对于网络连接数据的异构性,提出了采用基于相似度异构距离度量(SHVDM)的核函数方法,以弥补欧式距离在这方面的不足;最后将改进支持向量聚类算法应用于网络入侵检测系统(NIDS),对比于改进前算法及广泛应用的其他聚类算法,实验结果表明改进的算法综合效果好,适应性强,具有一定的理论意义。

基于色度向量聚类的保险片识别及插接方法

针对汽车保险盒的生产所面临的汽车保险片准确识别和快速插接的难题,提出一种基于色度向量聚类的汽车保险片识别及插接方法。该方法使用CCD工业摄像机采集汽车保险片图像信息,通过平均背景法对图像中的背景进行消除后采用污点修复技术进行图像增强,再以不同类别的汽车保险片的色度中心向量为特征提取依据,完成对颜色信息基于色度向量聚类的特征提取,最后通过将提取的特征矢量输入支持向量机,达到对不同类型保险片的识别分类,最终控制SCARA四轴机器人依据分类信息完成精确插接环节。经过大量实验证明,所设计的汽车保险片识别及插接方法对常用的9类汽车保险片识别正确率达到99.7%,在平均插接周期为1 s时的汽车保险盒插接的正确率达95.6%以上。

基于粗糙集边界的V-支持向量聚类算法

根据粗糙集理论的边界区域和V-支持向量机的优点对支持向量聚类算法进行改进。使用核函数进行特征空间的映射,发现最小粗糙球的包络点。根据上近似集与下近似集,定义粗糙球的内半径r和外半径为R。数据点映射若位于下近似区,则属于一个确定的聚类;若边界的点位于上近似区,属于不确定的聚类,位于球体外的点属于孤立点。实验结果表明,该聚类算法可以不需要额外的计算开销,能够解决任意形状的软聚类问题,有效地处理边界点。

基于Contourlet变换和支持向量聚类的遥感图像融合方法

Contourlet变换作为新的多尺度分析方法比小波变换更适合分析二维图像的边缘特征,而支持向量聚类算法所获得的聚类效果不受聚类形状限制,也勿需预先给定聚类数目等参数。据此提出了一种基于Contourlet变换和支持向量聚类的遥感图像融合方法。首先对源图像进行Contourlet变换,再对其高频系数利用支持向量聚类进行融合,最后进行图像重构得到融合结果。给出了实验结果,采用均方差、信噪比、信息熵、空间频率、清晰度和相关系数等评价指标对融合效果进行了定量评价,并与加权平均法、现有的基于Contourlet变换的图像融合方法以及基于支持向量聚类的图像融合方法进行了比较。结果表明提出的基于Contourlet变换和支持向量聚类的遥感图像融合方法能取得更优越的融合效果。

基于核矩阵的改进支持向量聚类算法

支持向量聚类（Support Vector Clustering,SVC）算法主要分为两个阶段：训练阶段和聚类分配阶段。由于需要计算邻接矩阵,聚类分配阶段消耗的计算时间远比训练阶段多。本文在计算邻接矩阵前先利用核矩阵对数据进行初始分类,在每个初始类中寻找一个代表点。因为代表点和它所在的初始类拥有相同的簇标号,所以只需计算这些代表点集上的邻接矩阵。给每个代表点分配一个簇标号,代表点所代表的初始类内的数据点也就获得相同的簇标号,这样将有效减少聚类分配的时间。数值实验结果表明,本文提出的改进SVC算法不仅显著改善了SVC算法的时间性能,而且在聚类精度上也有一定程度的提高。