特征加权距离与软子空间学习相结合的文本聚类新方法

文本数据维数高、数据分布稀疏、不同类别的特征相互重叠,这为聚类分析提出了挑战.针对文本数据的这一特点,将特征加权技术与软子空间相结合,基于模糊聚类的算法框架,提出了一种适用于高维文本数据的软子空间模糊聚类新方法.首先,基于加权范数理论,提出了新的特征加权距离计算方法.接着,将其与软子空间学习的理论框架相结合,提出了面向模糊聚类的新的目标学习准则.通过向约束条件中引入熵指数r,从而扩展了模糊指数m的取值范围,并给出了物理解释.基于Zangwill收敛定理对算法的全局收敛性给出理论证明.实验表明,文中算法可以使软子空间学习和聚类分析同时进行,其性能比现有的相关算法有了较大的提高.

特征加权距离的半监督模糊子空间聚类算法

针对已有的基于特征加权距离的双指数模糊子空间聚类算法(DI-FSC)没有充分利用数据集中的已知信息,提出利用少量监督信息辅助聚类过程的特征加权距离的半监督模糊子空间聚类算法(SS-FSC).通过在该算法中加入特征加权距离来改善传统聚类中利用欧氏距离计算数据点之间差异的不足;同时向约束条件中引入指数r和β,增加了算法的灵活性.实验表明,所提出的算法在少量监督信息的辅助下,在真实数据集上有较好的聚类效果.

基于特征加权距离的双指数模糊子空间聚类算法

传统的模糊聚类算法(FCM)使用欧氏距离计算数据点之间的差异时,对于高维数据集聚类效果不够理想.对此,以FCM算法的目标函数为基础,用特征加权距离代替传统的欧氏距离,同时向约束条件中引入指数γ和β,提出了一种基于特征加权距离的双指数模糊子空间聚类算法,并讨论了该算法的收敛性.实验表明,所提出算法可以有效提取高维数据集各类别的相关特征,在真实数据集上有较好的聚类效果.

动态加权的多频段距离特征量数据融合方法

距离特征量反映了目标距离变化规律,该观测量可由基于LOFAR谱图的距离特征量提取方法得到。为解决单一频段提取的距离特征量精度不高的问题,本文基于最优加权平均法,提出了多频段距离特征量值提取技术。针对该方法在实际应用中无法准确得到距离特征量解算值误差的标准差,提出了一种对方差进行实时估计的动态加权融合方法。试验数据处理结果表明,融合后精度明显提高。

面向高层地物的异源高分遥感影像配准方法

由于传感器成像通常存在较大差异,异源高分辨率遥感影像配准面临着更加突出的局部变形问题。特别是城市中高层地物的相对视差偏移更加显著,从而在空间变换中产生严重的非线性误差。为此,提出了一种面向高层地物的异源高分遥感影像配准方法。首先,通过开展阴影检测并结合影像分割,实现对高层地物的筛选。在此基础之上,提出了一种基于相位一致性的阈值自适应特征点提取策略,以提升高层地物中特征点数量与特征点整体分布均匀性。其次,通过引入阴影面积加权特征向量距离,以排除阴影对同名点对匹配干扰。最后,针对同名点对设计了一种变换误差自适应惩罚因子,以降低高层地物上空间变化差异对映射方程的影响权重。通过对多组异源高分遥感影像的配准实验表明,所提出方法的总体配准精度和均方根误差分别可达88.9%和1.481。