为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化...为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化选择策略及改进粒子群优化算法确定的最佳Q因子分解时序信号,通过最优特征子带的能量、均值、标准差和模糊熵构建特征子空间,并采用主成分分析降低特征维度,以减少特征冗余。同时,考虑到距离较远而周围密集程度较大的K近邻样本对局部密度的贡献率,引入权重系数及K近邻重新定义DPC的局部密度,并利用共享最近邻描述样本间的相似性。在BONN癫痫脑电信号和CWRU滚动轴承数据集上进行对比实验,结果表明,该算法的聚类精度分别为95%、94%,且Jacarrd、FMI和F_(1)值指标均优于其他对比算法,证明了OTQWT-IDPC算法的有效性。展开更多
针对混合矩阵估计算法中传统的噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法需要人为设定邻域半径以及核心点数这一问题,提出双约束粒子群优化(double constrained particle...针对混合矩阵估计算法中传统的噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法需要人为设定邻域半径以及核心点数这一问题,提出双约束粒子群优化(double constrained particle swarm optimization,DCPSO)算法,对DBSCAN算法的邻域半径参数进行寻优,将得到的最优参数作为DBSCAN算法的参数输入,然后计算聚类中心,完成混合矩阵估计。针对基于距离排序的源信号数目估计算法存在依靠经验参数的选取且不具备噪声点剔除能力的问题,提出了最大距离排序算法。实验结果表明,所提算法较相应的对比算法皆有提升,源信号数目估计准确率较原算法提高近40%,混合矩阵估计的误差较对比算法提升3 dB以上,且所提算法在收敛速度上优于原算法。展开更多
Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类...Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明:相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。展开更多
为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的Hough变换耦合密度空间聚类的车道线检测算法。首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线段。再利用...为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的Hough变换耦合密度空间聚类的车道线检测算法。首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线段。再利用改进的Hough变换对图像中的小线段进行检测。引入具有密度空间聚类方法(density based spatial clustering of applications with noise,DBSCAN),对提取的小线段进行聚类,过滤掉图像中的冗余和噪声,同时保留车道边界的关键信息。随后,利用边缘像素的梯度方向来定义小线段的方向,使得边界同一侧的小线段具有相同的方向,而位于相反车道边界的两个小线段具有相反的方向,通过小线段的方向函数得到车道线段候选簇。最后,根据得到的小线段候选簇,利用消失点来拟合最终车道线。在Caltech数据集与实际道路中进行测试,数据表明:与当前流行的车道线检测算法相比,在光照变化、背景干扰等不良因素下,所以算法呈现出更理想的准确性与稳健,可准确识别正常车道线。展开更多
文摘为提升时间序列的聚类精度,提出一种融合优化可调Q因子小波变换的改进密度峰值聚类(improved density peaks clustering based on optimal tunable Q-factor wavelet transform,OTQWT-IDPC)算法,该算法利用可调Q因子小波变换的能量优化选择策略及改进粒子群优化算法确定的最佳Q因子分解时序信号,通过最优特征子带的能量、均值、标准差和模糊熵构建特征子空间,并采用主成分分析降低特征维度,以减少特征冗余。同时,考虑到距离较远而周围密集程度较大的K近邻样本对局部密度的贡献率,引入权重系数及K近邻重新定义DPC的局部密度,并利用共享最近邻描述样本间的相似性。在BONN癫痫脑电信号和CWRU滚动轴承数据集上进行对比实验,结果表明,该算法的聚类精度分别为95%、94%,且Jacarrd、FMI和F_(1)值指标均优于其他对比算法,证明了OTQWT-IDPC算法的有效性。
文摘Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明:相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。
文摘为了提高车道线检测的准确性与鲁棒性,降低光照变化与背景干扰的影响,提出了一种改进的Hough变换耦合密度空间聚类的车道线检测算法。首先,建立车道线模型,将车道边界分解为一系列的小线段,借助最小二乘法来表示车道线中的线段。再利用改进的Hough变换对图像中的小线段进行检测。引入具有密度空间聚类方法(density based spatial clustering of applications with noise,DBSCAN),对提取的小线段进行聚类,过滤掉图像中的冗余和噪声,同时保留车道边界的关键信息。随后,利用边缘像素的梯度方向来定义小线段的方向,使得边界同一侧的小线段具有相同的方向,而位于相反车道边界的两个小线段具有相反的方向,通过小线段的方向函数得到车道线段候选簇。最后,根据得到的小线段候选簇,利用消失点来拟合最终车道线。在Caltech数据集与实际道路中进行测试,数据表明:与当前流行的车道线检测算法相比,在光照变化、背景干扰等不良因素下,所以算法呈现出更理想的准确性与稳健,可准确识别正常车道线。