约束聚类算法的多目标QR码定位识别方法

在轮对智能选配系统中,为提高轮对零部件的录入效率,提出多目标环境下对单个QR码的定位识别算法。针对使用聚类算法对其进行具有二维码特征的最优聚类问题,通过预先设定簇个数以及初始聚类点,并在其基础上加入单个QR码的特征作为约束,对聚类算法进行改进。实验表明,相比于现有技术方案,在多目标QR码识别需求下,此方法能够降低QR码识别产品的生产成本,识别率达96%,实现了多目标QR码的同时识别。

基于空间约束模糊聚类的活性污泥显微图像分割

针对活性污泥相差显微图像中絮体和丝状菌分布不均衡、絮体结构多样、存在大量细小丝状菌、图像对比度低,以及光晕、阴影等现象,提出了一种基于多尺度Retinex和空间约束模糊聚类的丝状菌分割算法和基于阈值、形态学操作的絮体分割算法。丝状菌分割算法对原始图像进行多尺度Retinex增强改善不同样本的光源强度,顶帽、底帽滤波增强絮体和丝状菌的对比度,采用边缘检测方法去除图像背景,考虑显微图像相邻像素空间的邻域信息采用空间约束模糊聚类法对增强后的图像进行聚类,结合像素面积和回旋半径形态学特性参数确定丝状菌目标和去除碎片;絮体分割算法利用灰度变换、图像反转以及开操作对絮体进行预处理,克服图像中的光晕和阴影,用阈值分割算法分割絮体,利用形态学操作对其进行后处理。实验结果表明,所提算法在图像分割准确率、精确率、Dice等指标上有明显提升。

基于全局双约束的矿井尘雾图像增强方法

为提高煤矿尘雾图像的可观测性,提出一种基于全局双约束的Retinex算法的尘雾图像增强算法(GCFCDL-Retinex)。首先,将输入图像进行内外循环,训练聚类和稀疏双重约束下的过完备字典,对图像中的噪声分量进行抑制;然后,通过Retinex算法对照度分量和反射分量进行估计及提取,并对提取的照度分量进行自适应Gamma校正;最后输出增强后的图像。研究结果表明:在煤矿井下的复杂环境中,所提出的图像增强算法能够有效提高矿井下尘雾图像的对比度和清晰度,去除真实粉尘,同时抑制图像光晕、边缘模糊的现象,增强后的图像色彩自然,视觉效果明显提升。研究结论为矿井下视频监控清晰化的工程应用提供理论依据。

基于色彩空间转换及模糊约束聚类的地形图自动分色

针对彩色地形图的自动分色问题,提出了一种新的模糊聚类算法。该方法首先对地图的色彩空间进行转换,使其直方图的峰谷特性更加明显,然后对模糊C 均值(FCM)聚类算法进行模糊约束,并把此算法扩展到2维空间,从而较好地解决了地图的自动分色问题。此算法已编程实现,效果比较理想。

基于互信息约束聚类的图像语义标注

提出一种基于互信息约束聚类的图像标注算法。采用语义约束对信息瓶颈算法进行改进,并用改进的信息瓶颈算法对分割后的图像区域进行聚类,建立图像语义概念和聚类区域之间的相互关系;对未标注的图像,提出一种计算语义概念的条件概率的方法,同时考虑训练图像的先验知识和区域的低层特征,最后使用条件概率最大的语义关键字对图像区域语义自动标注。对一个包含500幅图像的图像库进行实验,结果表明,该方法比其他方法更有效。

模拟电路故障诊断的约束聚类集成BP网络算法

针对通用BP网络对于高纬度、大数据量训练收敛困难的问题,在使用动量因子、自适应调整学习速率等方法的基础,引入约束聚类,构造集成神经网络,以提高网络的训练速度及诊断效果;首先,采用约束聚类算法将训练样本集划分为若干个规模相当的子样本集,分别训练生成相应子网络;此外,在诊断过程中除各子网络的输出变量外,还加入了诊断数据相对各子训练样本集的隶属度因子;最后通过一个实际电路板25维采样数据、38类故障的BP网络诊断实例验证了算法的可行性。

基于ISODATA约束聚类的多无人机动态任务分配

战场环境的动态性和不确定性以及任务分配问题的复杂性,使得无人机飞行前预先规划难以满足时间敏感性要求。针对多无人机动态任务分配问题,建立了数学模型,并设计了一种求解该问题的ISODATA约束聚类法。运用分组基础上的任务再分配策略,首先通过ISODATA约束聚类实施任务分组,然后在分组基础上利用免疫粒子群算法进行组内任务重分配。仿真实验和分析表明该方法简单有效,能够应对战场环境中的多种突发情况,具有较好的时间性能。

基于多约束聚类的企业生产计划与质量设计优化模型

从供应链角度来讲,钢铁企业需求过程(订单)与钢铁企业制造过程(生产计划)以及质量设计存在着一定的集成关系。在考虑了不同炉型、生产成本、规格范围和交货时间约束的前提下,文章建立了基于多约束聚类的需求、批量生产计划与质量设计的优化模型,并根据问题特点采用改进的遗传算法进行求解。

基于约束聚类的一种概念学习方法

首先定义了字符属性例子空间中合取规则的可学习性,通过将正例集合划分为多个子集,其中每个子集在全体反例集合上均是合取规则可学习的,并建立了命题规则的一般学习模型.然后,提出了三种正例集合的自动聚类和划分方法:相似性度量、差异度量和规则长度等,并设计了一种快速的合取规则学习方法.同时,基于最小覆盖率和最小错误率给出了一种克服过学习问题的后处理方法.最后,针对一组典型的学习问题进行了实验计算,并与已有算法进行了对比分析.

基于约束正则化的生成聚类分析

基于现有的硬约束高斯混合模型不能处理约束违反情形,而软约束高斯混合模型又没有封闭的参数估计表达式,提出了一种基于约束正则化的生成聚类方法。该方法将约束一致正则化算子引入高斯混合模型,通过惩罚似然来处理约束违反,使满足正约束的成对样本的后验概率尽可能相似,满足负约束的成对样本的后验概率尽可能不相似;同时封闭的参数估计迭代公式降低了参数估计的计算复杂度。在一组真实数据集上的实验表明,与现有的相关方法相比,该方法能有效改善聚类性能,并对噪音约束有着更好的适应性。

基于量子粒子群的柑橘果实图像约束聚类分割算法

为降低果蔬采摘机器人图像处理系统的分割错误率,提出基于量子粒子群的柑橘果实图像约束聚类分割算法。首先,将读入的RGB模式柑橘果实彩色图像转换成灰度图像;然后采用具有随机遍历性的量子粒子群全局寻优策略,结合对图像中的少量模糊和不确定点具有良好适应性的约束聚类方法,对柑橘图像进行分割。从采集的柑橘果实彩色图像中分别取遮挡柑橘图像与重叠柑橘图像,使用本算法进行分割试验,并分别与OTSU算法、模糊聚类图像分割算法、量子粒子群图像分割算法进行比较试验。结果表明,本算法具有更低的分割错误率以及更高的峰值信噪比。

带约束的聚类分析

提出了一种带约束的聚类方法，又称条件系统聚类法，该法基于系统聚类的思想，在聚类过程中按类（样品）与类（样品）相聚的条件进行聚类，不满足条件者不得相聚。传统的一维、二维有序样品的聚类是这种聚类的特例，另外，方向数据、圆周上的样品、周期数据等的聚类亦可看作这种聚类的特例。并结合实例详细阐述了该法的步骤。

业务流程模型抽象中基于约束的行为聚类方法研究

将业务流程模型抽象中的行为聚合解释为一个半监督聚类过程,利用基于试探的启发式方法选择合适的行为集合作为初始簇,进而提高抽象的质量。另外,为了同时满足模型转换的保序性需求和子流程的业务语义完整性,在将行为归类到某个簇(候选子流程)时,进一步考虑了流程控制流的影响,设计了由两部分构成的约束函数,即语义距离和控制流顺序冲突。其中,第一部分引入了虚拟文档来表示行为和子流程,计算其之间的语义距离;第二部分利用行为概要文档中的4种行为顺序关系,设计函数来表示行为归类带来的控制流冲突。将该方法应用于真实的流程模型库,与传统的k-means行为聚类对比,如随机生成初始簇集和基于语义的距离测量方法,结果表明所提方法生成了更接近于人工设计的流程抽象结果。

约束蚂蚁聚类算法

通过对真实世界蚁群的模拟仿真,提出一种基于随机游走的约束蚂蚁聚类算法来处理以must-link和can-not-link形式出现的约束聚类问题.在人工数据集和UCI标准数据集上的实验结果表明我们的算法优于无监督的蚁群聚类算法和COP-Kmeans算法.

一种适用于大规模数据的约束谱聚类框架

约束谱聚类能显著提升聚类精度,已受到学者的广泛关注。通过将最新提出的约束谱聚类模型与特殊的图构造结合,设计一种新的压缩约束谱聚类框架。新框架能在压缩模型规模的同时避免主要划分信息的损失。理论分析和实验验证证明了新框架能达到和具有特殊图结构的原始模型一致的聚类结果。通过基于地标的图构造和近似矩阵分解,新框架既能应用于数值型数据又能应用于图数据。此外,简单的参数设置使新框架非常实用。实验结果验证了新框架在聚类效果和效率上的优势。

一种基于约束的半监督聚类查询扩展方法

针对伪相关反馈模型反馈文档信息质量差和扩展词选择不适产生的漂移现象等问题,提出了一种基于约束的半监督聚类查询扩展方法。该方法对初检结果的前k个文档进行人工标注,分成相关文档与不相关文档两类;并利用一种半监督聚类算法对初检结果的前n个文档进行分析,提取出与查询相关的文档作为反馈文档。该方法通过对少量标注文档与查询相关性的学习,能够较准确地估计出大量未知文档与查询的相关性,提高反馈文档的质量,从而有效提高检索的查全率和查准率。实验结果表明,该方法比传统的伪相关反馈和基于无监督聚类的伪相关反馈有更优的检索性能。

基于约束模糊聚类的抗电力雷电波干扰信号检测

提出了一种基于约束模糊聚类的抗电力雷电波干扰信号检测方法。利用信号采集设备采集信号,并对信号进行傅里叶变换处理,为信号检测提供准确的数据基础。利用约束模糊聚类方法,对抗电力雷电波干扰信号进行检测。实验结果表明,这种算法能够有效提高检测的准确性,取得了令人满意的效果。

基于障碍约束空间聚类的地形单元划分

地形单元划分是地理环境分析的基础。为了解决凭经验划分地形单元问题，提高地形单元划分效能，提出了综合采用拓扑构建技术和约束空间聚类技术来划分地形单元，旨在通过计算机辅助决策，自动划分出理论上最佳的地形单元，服务地理环境认知。试验表明，障碍约束空间聚类技术能较好解决地形单元的自动划分问题。

基于带约束K-means聚类的城市快递配送区域划分

快递配送区域划分是城市内快递网络优化的基础,客户的空间距离和基层站点的配送能力是配送区域划分的主要考虑因素.针对客户分布已知的快递配送区域划分,提出了考虑河流、公路等地理障碍和站点工作量的约束聚类算法.利用提出的"障碍距离",克服传统欧氏距离不能表征实际地理信息的缺陷,并设计BSP树快速实现点的可视化判断.在此基础上,利用约束聚类的思想对传统K-means算法进行改进,使其在考虑地理信息的同时,能够满足站点业务量约束.利用生成数据和实际数据分别对算法进行了数值实验.

公平谱聚类方法用于提高簇的公平性

最近,算法的公平性问题引起了机器学习领域学者的广泛讨论。鉴于谱聚类在现代数据科学中的广泛流行,研究谱聚类的算法公平性是一个至关重要的话题。现有的公平谱聚类算法主要存在两个缺点:1)公平性能差;2)仅在单个敏感属性下工作。文中将公平问题视为一种约束谱聚类问题,通过求解约束谱聚类的可行解集,提出了一种非规范化公平谱聚类方法(Unnormalized Fair Spectral Clustering,UFSC),用于提升公平性能。此外,文中还提出了一种适用于多个敏感属性约束的公平聚类算法(Multi-sensitive Attributes Fair Spectral Clustering,MFSC)。在多个真实数据集上进行了实验,结果表明,UFSC和MFSC算法比现有的公平谱聚类算法生成的聚类结果更加公平。