基于高斯混合模型最大期望聚类的同时定位与地图构建数据关联

数据关联是移动机器人同时定位与地图构建(SLAM)中状态估计的前提和基础,针对当前联合兼容分支定界算法存在计算复杂度高、耗时长的问题,提出了基于高斯混合模型(GMM)最大期望聚类分组的SLAM数据关联算法.首先,为减少同一时刻参与关联的观测值数目,在局部区域内采用GMM最大期望聚类算法对当前时刻的观测值进行分组;其次,在各观测小组中采用联合兼容分支定界算法进行数据关联;最后,综合各观测小组的观测值同局部地图特征得到的关联解,得到最优的关联结果.仿真实验结果表明,基于高斯混合模型最大期望聚类分组的SLAM数据关联算法在保证数据关联准确度的前提下,计算复杂度得到了降低,缩短了运行时间.

基于改进最大期望聚类的遥感影像道路提取算法

针对目前高分辨率遥感影像道路提取准确性不高的问题,提出一种基于改进最大期望(EM)聚类的遥感影像道路提取算法。首先通过形态学预处理来去除道路上的干扰信息,在此基础上通过改进EM聚类自动确定分割区域数目,完成影像分割,最后结合轮廓检测和灰度直方图阈值化完成遥感影像道路的提取。实验结果表明,所提算法能有效屏蔽道路上的噪声,提取出主干道路信息,该方法的准确率达到90%以上,冗余度较低。

基于高斯混合EM聚类的多编队航迹起始方法

针对现有航迹起始方法难以对编队目标进行有效航迹起始的问题,在Hough变换法及其衍生算法基础上,提出基于Hough变换和高斯混合最大期望(expactation maximazation,EM)聚类的多编队目标航迹起始方法。该方法首先利用量测数据的时序信息和目标的运动参数进行筛选,剔除大量虚假量测;再对筛选后的量测数据进行Hough变换,得到初步航迹信息;然后利用相异度矩阵对所得航迹进行预聚类,完成聚类中心初始化;最后进行高斯混合EM聚类,得到聚类结果。仿真结果表明,与Hough变换法及其衍生算法相比,该方法能够快速有效地起始编队目标的航迹,解决了目标密集带来的航迹起始混乱问题。

基于语义区域提取的图像重排

针对目前图像搜索引擎难以正确把握用户真正意图的问题,从爬虫Web图像搜索引擎检索结果入手,提出三种聚类算法来提取海量Web图像中的语义区域.这三种聚类算法包括确定初始化中心的K-means聚类、确定参数的最大期望聚类以及基于半监督的K-means聚类算法.然后选取显著值较大的显著区域作为语义区域.实验分析比较了三种聚类算法的有效性,最终实现的图像重排系统能比网络搜索引擎更好地反馈给用户精确而且有序的查询结果.