基于最近邻链的车牌检测算法

根据车牌字符的几何特征和空间排列规则,提出了一种基于最近邻链的自适应车牌检测算法,首先,采用自适应阈值分割算法消除光照变化的影响,并采用连通体分析方法消除部分干扰目标;其次,根据车牌字符连通体的区域特征,将宽度和高度都相近的连通体构造为最近邻连通体对,并将最近邻对连接为最近邻链,从而检测出所有可能的车牌区域;最后,利用两组不同长度的方波模板分别对车牌的水平和竖直投影进行匹配,它能够验证候选车牌区域的有效性,并求解所有车牌字符的最佳切分位置实验表明,该算法能够自适应地处理光照不均匀、尺度变化、透视失真、背景干扰以及质量退化等因素的影响,可以有效地检测出复杂背景中的车牌区域.

一种启发式确定聚类数方法

聚类分析是数据挖掘领域中最重要的任务之一,目前许多聚类算法已经被成功应用到图像聚类、文本聚类、信息检索、社交网络等领域.但面对结构复杂,分布不均衡的数据集时,确定数据集的最佳聚类数目显得尤为困难.因此,本文针对结构复杂、分布不均衡的数据集提出了一种启发式最佳聚类数确定的方法.首先,构建随机游走模型对数据集中的点进行重要性排序,通过k-最近邻距离图谱确定重要数据点的个数,由此排除噪声点和不重要的点对类之间以及类内密度变化的影响.其次,通过设计的启发式规则(k-最近邻链间距和k-最近邻链最近邻间距)构建决策图确定最佳聚类数目并识别出聚类代表点.最后,通过最近距离传播算法进行聚类.实验表明该方法可以快速准确地找到最佳聚类个数,同时,本文提出的聚类算法与流行的聚类算法相比取得了比较好的聚类结果.

基于聚类方法的CAPP零件知识库构建

传统的零件分类一般根据零件编码从特征矩阵中得到分类结果,未能很好地表达各个零件之间的相似关系,对工艺设计也不能提供启发性的推理策略.此外,零件分类矩阵本身的相似性标准也难以确定,给零件的工艺制作带来了很多困难.为此,提出了一种利用聚类技术构造树型结构表达零件相似性的方法,并根据零件之间的相似性建立层次结构以进行动态分类,进而构建一种有自学习能力的零件知识库.考虑到机器智能的局限性,分类结果可能不尽合理,分类树又能够在自动压缩优化的基础上进行手工优化,并将优化结果记录于分类树中.该知识库能及时反映零件信息的动态更新,并对零件进行多层次、细粒度的动态分类,使零件分类粒度不受数据规模的限制,从而可以通过建立索引结构,实现自适应的工艺设计自动化.