最小化类内距离和分类算法

支持向量机分类算法引入惩罚因子来调节过拟合和线性不可分时无解的问题,优点是可以通过调节参数取得最优解,但带来的问题是允许一部分样本错分。错分的样本在分类间隔之间失去了约束,导致两类交界处样本杂乱分布,并且增加了训练的负担。为了解决上述问题,该文根据大间隔分类思想,基于类内紧密类间松散的原则,提出一种新的分类算法,称之为最小化类内距离和(Intraclass-Distance-Sum-Minimization,IDSM)分类算法。该算法根据最小化类内距离和准则构造训练模型,通过解析法求解得到最佳的映射法则,进而利用该最佳映射法则对样本进行投影变换以达到类内间隔小类间间隔大的效果。相应地,为解决高维样本分类问题,进一步提出了该文算法的核化版本。在大量UCI数据集和Yale大学人脸数据库上的实验结果表明了该文算法的优越性。

基于类内类间距离的模糊C-均值聚类分割算法

针对模糊C均值聚类算法存在仅考虑以类内距离作为算法测度的不足,通过融入聚类中心之间的类间距离,提出一种将类内和类间距离相结合的模糊C-均值聚类算法并将其应用于图像分割。在目标函数中将类内距离与类间距离之差作为样本聚类依据,使其考虑到类内紧密度与类间离散度,通过调节有关参数使类内紧密度和类间离散度达到最优值,提高图像分割的准确性和鲁棒性。大量人工合成图像和实际遥感图像分割测试结果表明,改进的类内类间聚类算法是有效的,尤其是对噪声较大的图像进行分割时,其效果明显优于其它模糊聚类算法分割效果。

基于类内和类间距离的粗粒度并行AP聚类算法

近邻传播(Affinity Propagation,AP)聚类是基于数据点间消息传递的算法,主要通过数据间的相似度实现聚类.与传统的聚类方法相比,AP聚类无需事先给定聚类数目就可实现聚类,因此具有快速高效的优点,然而在处理高维复杂数据集时存在随着聚类效率提升而准确度不高的问题.为改善AP聚类算法的效率和精度,提出基于类内和类间距离的粗粒度并行AP聚类算法——IOCAP.首先引入粒度思想将初始数据集划分成多个子集;其次对各子集结合类内和类间距离进行相似度矩阵的改进计算,最后基于MapReduce模型实现改进后的并行AP聚类.在真实数据集上的实验表明,IOCAP算法在大数据集上有较好的适应性,能在保持AP聚类效果的同时有效地提升算法精度.

一种基于类内类间距离的ICA特征选择方法

独立分量分析(ICA)可以实现特征提取,但不能直接用于特征选择。对数据进行ICA后得到混合矩阵和独立分量,独立分量可以作为特征矢量,混合矩阵可以用于进行特征选择。首先,使用一种距离度量来计算混合矩阵每一类的类内类间距离比;然后对每一类按该比值由小到大重新排列混合矩阵和独立分量,保留权重矩阵中类间类内距离比大的列,及其对应的特征向量;最后对这些特征向量使用遗传算法选择最优特征组。两个实验验证了该方法的有效性。

模糊数的一种类序和类距离的定义

模糊数距离的概念不仅在模糊分析学中起着关键性的作用,是极限、连续性、收敛性、稳定性等概念的基础,而且在模糊应用的技术中也具有重要的意义。通过对模糊数特性的分析,将模糊数进行了类排序,克服了以往只能对极少部分模糊数才能排序的不足,同时引出了类间距离、类内距离和混合距离的概念,为下一步的分析工作打下了基础。

基于类别距离和Bhattacharyya距离的雷达信号特征评价

从瞬时自相关法、小波变换法和时频原子法提取的脉内特征比较分析入手,提出了一种新的最优特征评价准则。以类内距离、类间距离和Bhattacharyya距离为基础,从特征的空间分布和错误识别率的上界等方面对不同算法提取出的脉内特征进行分析,实现了最优特征的选择。实验的仿真结果表明,这种最优特征评价准则是有效的,为雷达辐射源信号的特征评价提供了有意义的参考。

基于类内和类间距离的主成分分析算法

为改善高维数据的降维结果,提高数据低维表示的判别能力,通过对类内和类间距离的研究,提出基于类内和类间距离的主成分分析(IOPCA)数据降维算法。计算属性信息熵,对比信息熵阈值,进行数据矩阵特征筛选;采用综合类间距离最大化和类内距离最小化思想,改进PCA算法进行数据降维;将降维后的数据通过KNN、SVM算法分类。对比PCA、E-PCA、LDA算法,仿真结果表明,该算法在改善降维结果的同时,有效提高了降维后低维数据的判别性能。

黏土微结构各向异性评估的谱系聚类方法

由谱系聚类原理,给出了基于各种欧氏距离,即最长距离、最短距离、类平均距离和重心距离的微结构参数间的距离递推公式和微结构参数聚类过程,建立了黏土微结构几何属性的聚类方法。为了评估微结构参数几何各向异性的显著性,给出了各向异性系数的定义。对取自成层地基的某一样品进行了研究,其水平截面、竖直截面和45o截面上的SEM照片二值化参数分析结果表明,根据类平均距离法和重心距离法计算得到的各向异性系数非常接近,因此能很好反映自然固结成层地基的几何各向异性。另外,谱系聚类方法的分析结果与主成分分析方法的分析结果完全一致,这进一步说明,成层地基的几何各向异性是显著的。

改进模糊聚类方法的物流园交通小区划分

为获取物流园交通小区的最佳分类结果,首先对物流园进行定性划分,然后构造加权模糊相似矩阵,再利用邻接矩阵对加权模糊相似矩阵进行修正,采用改进的模糊聚类方法对小区进行聚类合并,并且基于类内距离和类间距离构造F指标以确定最佳分类数.实验结果表明,基于改进的模糊聚类方法能够较大程度地减少物流园交通小区数量,并且能够快速得到较好的小区分类,还能避免将地理位置不相邻的小区划分为同一类.

模板在线聚类的目标跟踪

针对基于模板的目标跟踪算法存在模板冗余高、难以适应非刚性目标外观多变的问题,提出一种基于粒子滤波的模板在线聚类目标跟踪方法.首先建立用于描述目标和背景的正、负模板集,然后抽取候选粒子,使用候选粒子与正、负模板集的类内距离以及正、负模板集之间的类间距离来构建似然函数,最后依据最大后验概率准则确定最佳候选粒子作为跟踪结果.根据视频序列中连续变化的目标状态,将一定范围内的相似目标状态视为一个状态类,确定当前状态类的聚类半径.采用均值漂移算法对正模板集及最近几帧跟踪结果进行聚类,并将聚类后的中心集作为新的正模板集.实验表明,该算法能保留目标不同的外观状态,在复杂情况下仍能准确跟踪目标.

标签聚类损失在遥感影像分类中的应用

遥感影像的场景信息在影像解译和各领域的实际生产生活中具有重要的应用价值,针对遥感影像类内差异性大、类间差异性小的特点,该文在中心损失函数的基础上进一步研究,提出了一种新的标签聚类损失函数。首先使用类标签中心初始化方法对类别中心进行参数初始化,其次使用正弦衰减学习率使模型在预热阶段保持类别中心的稳定性,然后使用欧氏距离与余弦距离来进行类内特征的聚集以及类间中心的远离。并且使用VGG16和ResNet50两个网络模型在NWPU-RESISC45数据集上进行验证,准确率分别提高了2.3%和5.7%。通过试验表明,该方法能够有效地实现特征的聚集与类别中心的远离,提升网络模型的准确率,在遥感影像分类任务中具有一定的发展前景。

基于样本和属性加权的二维FCM聚类分割法

为衰减存在于图像上的噪声,尽可能地精确提取目标,提出一种基于样本和属性加权的二维模糊C-均值(FCM)聚类分割法。构造合理的二维直方图对图像进行滤波,通过改变样本权的幂函数大小提高目标提取的精确性,为提高聚类效果及抗噪性,对目标函数的类内距离进行属性加权,实现属性权数值的自动确定。基于遥感图像和小目标图像的实验结果表明了该方法的有效性。

K-Means算法最优聚类数量的确定

K-均值(K-means)聚类算法是学术与工业领域的经典算法。然而,它却具有两个明显缺陷:1)需要预先知道聚类的数量;2)对算法的随机初始化非常敏感。为了解决这两个问题,首先归纳了K-均值算法的基本步骤,并对聚类有效性进行了分析;然后以数据样本点的欧几里德距离为基础,定义了以聚类数量k为自变量的类间质心距离之和以及类内距离之和,由此构造了聚类有效性评价函数;最后根据经验规则,在聚类数量的可能范围内通过求解聚类有效性评价函数的最小值以确定数据集的最优聚类数量。对UCI的3个数据集Iris、Seeds和Wine的仿真结果说明,提出的聚类有效性评价函数不仅能够准确地反映数据的真实聚类结构,还能有效地抑制算法对随机初始化的敏感性,通过对K-均值算法的多次运行,其结果也验证了聚类有效性评价函数的鲁棒性。

一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

在新的工艺条件下,针对采用历史工艺条件进行训练的刀具磨损状态辨识模型识别准确率低的问题,提出了一种基于迁移学习的跨工艺条件刀具磨损状态辨识模型。构建卷积神经网络提取刀具样本可迁移特征,利用最大均值差异测量不同工艺条件下刀具样本分布差异,通过类间-类内距离约束提升源域特征的样本距离,对目标域数据概率矩阵采取最大化核范数的策略,以提取区分性高的目标域样本故障特征。以铣刀加工试验为例验证了模型的有效性,模型的平均辨识准确率为96.8%,比没有类间-类内距离约束与最大化核范数的方法平均辨识准确率提升4.9%。

一种基于密度的K-means算法研究

针对传统K-means算法必须事先确定聚类数目以及对初始聚类中心的选取比较敏感的缺陷,采用基于密度的思想,通过设定Eps邻域以及Eps邻域内至少包含的对象数minpts来排除孤立点,并将不重复的核心点作为初始聚类中心;采用类内距离和类间距离的比值作为准则评价函数,将准则函数取得最小值时的聚类数作为最佳聚类数,这些改进有效地克服了K-means算法的不足。最后通过几个实例介绍了改进后算法的具体应用,实例表明改进后的算法比原算法有更高的聚类准确性,更能实现类内紧密类间远离的聚类效果。

基于分解的三维Otsu图像分割快速算法

针对三维Otsu图像分割算法计算复杂度高、运算量大的问题,提出一种基于分解的三维Otsu图像分割快速算法。首先将三维Otsu分解为三个一维Otsu;然后,在分析一维Otsu的基础上,结合类间距离和类内距离,提出一种新的阈值识别函数设计算法,并给出了快速实现方法。实验结果表明,该算法不仅可以取得较好的分割效果,而且计算量较小,比三维Otsu阈值分割递推算法快1400倍左右。

射频信号在超声检测缺陷识别中的应用研究

针对工业超声检测过程中缺陷难以准确定性的问题，基于射频回波对缺陷分类中的信号处理等方法进行了研究。分析了射频和检波信号的特点，在对所采集的缺陷信号进行处理的基础上，利用类内、类间距离和可分性测度比较了两类信号的类别可分性，同时采用ＢＰ神经网络和ＲＢＦ神经网络作为分类器。

改进的三维人脸识别方法

针对目前三维人脸几何特征识别算法中计算量大和设备昂贵,尤其是在特征融合时加权值确定的不精确性问题,提出了根据双目立体视觉原理,通过对普通二维图像确定脸部关键部位特征点的三维几何特征信息,并且依照类内距离越小越好,类间距离越大越好的准则设定适应度函数,使用人脸样本数据根据遗传算法进行训练,得到使适应度函数最小时的最优解,从而获得三维人脸几何特征融合时的最佳加权值。实验结果表明了该算法的可行性和有效性。

结合类内和类间距离的可能聚类分割算法

目的为了进一步提高噪声图像分割的抗噪性和准确性,提出一种结合类内距离和类间距离的改进可能聚类算法并将其应用于图像分割。方法该算法避免了传统可能性聚类分割算法中仅仅考虑以样本点到聚类中心的距离作为算法的测度,将类内距离与类间距离相结合作为算法的新测度,即考虑了类内紧密程度又考虑了类间离散程度,以便对不同的聚类结构有较强的稳定性和更好的抗噪能力,并且将直方图融入可能模糊聚类分割算法中提出快速可能模糊聚类分割算法,使其对各种较复杂图像的分割具有即时性。结果通过人工合成图像和实际遥感图像分割测试结果表明,本文改进可能聚类算法是有效的,其分割轮廓清晰,分类准确且噪声较小,其误分率相比其他算法至少降低了2个百分点,同时能获得更满意的分割效果。结论针对模糊C-均值聚类分割算法和可能性聚类分割算法对于背景和目标颜色相近的图像分类不准确的缺陷,将类内距离与类间距离相结合作为算法的测度有效的解决了图像分割归类问题,并且结合直方图提出快速可能模糊聚类分割算法使其对于大篇幅复杂图像也具有适用性。

一种改进的K-means算法

通过分析传统K-means算法难以确定聚类中心数目的问题,提出了一种改进的K-means聚类算法(CS-kmeans).该算法分析当聚类效果较好时最大类内距离与最小类间距离之间的关系,使用类内距离小于最小类间距离以及类间距离大于最大类内距离实现对类别数的自动分割与合并,从而确定适当的聚类数目.实验结果表示,文中改进后的算法相比传统K-means算法和其他改进算法,对于确定聚类中心数目、提高聚类质量是更为有效的.