无线传感器网络中基于区域决策的距离均值融合算法

研究了无线传感器网络中基于距离的决策融合算法,并针对它们的不足,提出了一种基于区域决策的距离均值融合算法。该算法首先采用目标定位运算估计目标源的位置,并划定以目标源为中心的一定区域为有效区域,然后根据距离均值模型计算有效区域内传感节点的可信度权重,并将其决策和相应的权重上传到融合中心进行决策融合。仿真实验表明,该算法比其它基于距离的融合算法具有更高的检测概率和较好的抗噪性能,适合中大规模无线传感器网络。

基于w-距离均值的模糊聚类算法

针对模糊C-均值(FCM)算法易陷入局部最优值以及对聚类中心和噪声数据敏感问题,提出了一种基于w-距离均值的模糊聚类算法。首先根据数据自身的分布规律,依据样本间距离均值思想确定初始聚类中心,并引入了调衡因子w来调节距离均值阈值;其次为每个样本赋予权值,并利用样本权值修改了聚类中心公式和目标函数公式,提高了算法的抗噪性;最后实验结果验证了所提算法可以有效地解决聚类效果往往受初始聚类中心的影响的问题,避免了局部收敛,增强了抗噪性,准确率和效率较高。

基于均值距离测度的医学图像配准(英文)

针对互信息测度在配准医学图像时易陷入局部极值、速度慢的缺点,提出了基于均值不等式的均值距离测度.首先根据均值不等式推导出5种均值距离测度:方根-算术均值距离(SAM)、方根-几何均值距离(SGM)、方根-调和均值距离(SHM)、算术-几何均值距离(AGM)、算术-调和均值距离(AHM).然后通过人体脑部CT/MR和MR-T1/PD图像的刚体配准实验,从函数曲线、配准精度、计算时间和收敛性能方面,对互信息与5种均值距离信息测度进行了比较与分析.实验结果表明,在不损失配准精度的前提下,AHM和SAM测度可以获得更快的配准速度,对噪声有很强的鲁棒性.

基于特征均值距离的短语音段说话人聚类算法

该文提出一种基于特征均值距离的短语音段说话人聚类算法。首先,定义特征均值距离用来在特征层而不是模型层刻画两个类之间的相似度;然后,迭代合并特征均值距离最小的两个类,直到任意两类之间的特征均值距离的最小值大于一个自适应门限为止。采用取自两个语音数据库的短于3 s的语音段进行实验测试,结果表明:与基于AHC+BIC的算法相比,F度量值平均提高了5%,运算速度约为以前算法的4.68倍。

基于算术调和均值距离测度的弹性图像配准

针对图像配准中的特征提取问题,提出了一种基于自动选取标记点的弹性图像配准方法。首先,提出了新的相似性测度,算术-调和均值距离测度AHM,图像通过最大化AHM全局配准,然后将图像划分成均匀子块,采用AHM测度刚性配准各对应子块,选取对应子块的中心作为标记点对,最后,用三次均匀B样条实现图像的弹性配准。实验结果表明,AHM是有效的,其配准速度是互信息的2倍。

最大化算术-几何均值距离的多传感器遥感图像配准

互信息是多模态医学图像配准的一种重要方法。它测量的是两个概率分布之间的Kullback-Leibler(KL)距离。该文分析了KL距离和Shannon不等式之间的关系,在此基础上,提出了一种新的算术-几何均值距离,并将这一距离测度用于多传感器遥感图像的配准处理。与Kullback-Leibler距离不同,新的距离测度具有对称性,并且对概率值为0的情况不需要特殊处理。文中首先通过一维仿真信号对算术-几何(AG)测度进行了分析,并使用 Thematic Mapper(TM),Satellite POsitioning and Tracking(SPOT)遥感图像和雷达图像进行了配准实验,验证了提出的新的算术-几何均值距离函数在配准多传感器遥感图像方面的有效性。与目前常用的相关系数的方法不同,这种新方法对于像素灰度值不具有线性关系的多传感器遥感图像能够实现配准处理。

基于欧式距离平均值的离群点自动检测算法

一直以来，离群点检测在数据挖掘的研究中都是热点问题。本文在对具有代表性的算法进行回顾的基础上，提出了一种基于欧式平均距离的离群点检测的改进算法，并将改进算法应用到了三维激光扫描所获得的织物原始点云的检测中。实验表明，本算法能够有效地剔出散乱点云中的离群点。

基于广义调和均值距离的图像分割新算法

提出了基于广义调和均值距离的最小偏差图像阈值化分割新算法。Otsu阈值法是图像分割中最典型阈值法之一,因其计算简单、速度快和性能稳定等优点而在图像分割中得到广泛应用;但是,传统Otsu阈值法是基于欧式距离的最小偏差阈值法,由于欧式距离没有可调节参数而导致Otsu阈值法分割图像缺乏鲁棒性。首先将Otsu图像分割法中的欧式距离用广义调和均值距离代替并得到一种具有鲁棒性的图像分割新算法,其次给出该算法中参数选取办法。大量实验结果表明,新的图像分割算法相比Otsu法更有效。

点对称距离模糊C均值聚类算法在脑部MRI图像分割中的应用

背景:在传统的图像分割方法中,模糊C均值聚类算法应用十分广泛。目的:将改进的模糊C均值聚类算法应用到MRI图像的分割中,提高MRI图像分割的准确度。方法:针对传统的基于Minkowski距离的模糊C均值聚类算法,提出了基于点对称距离的模糊C均值聚类算法,并将其运用到了脑部MRI图像分割中。结果与结论:实验结果表明,与模糊C均值聚类算法相比,点对称距离的模糊C均值聚类算法有明显的优势。

一种基于均值Hamming距离的异常入侵检测方法

对进程级的入侵检测技术进行了研究,提出了一种基于均值Hamming距离的异常入侵检测方法—AHDAD,监控对象为特权进程的系统调用序列,通过计算偏离量检测入侵。AHDAD算法简单、检测准确率高、时间开销小,使实时入侵检测成为可能。最后,用原型实验证实了方法的可行性。

模糊C-均值聚类算法的优化

针对传统模糊C-均值聚类算法(FCM算法)初始聚类中心选择的随机性和距离向量公式应用的局限性,提出一种基于密度和马氏距离优化的模糊C-均值聚类算法(Fuzzy C-Means Based on Mahalanobis and Density,FCMBMD算法)。该算法通过计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离计算样本集的相似度,以满足不同度量单位数据的要求。实验结果表明,FCMBMD算法在聚类中心、收敛速度、迭代次数以及准确率等方面具有良好的效果。

基于堆叠降噪自编码器的跨项目软件缺陷数量预测方法

在软件缺陷预测技术应用中,需要预测的项目可能是一个全新的项目,或者需要预测的项目历史数据较为不足。一种解决方法是利用已有数据充足的项目(源项目)构建模型完成对新项目(目标项目)的预测,主要利用传统机器学习方法对源项目与目标项目进行特征迁移学习完成缺陷预测,但不同项目之间的数据存在较大的分布差异,同时传统机器方法学习到的特征表示能力很弱且缺陷预测性能较差。针对此问题,从深度学习出发提出一种基于堆叠降噪自编码器的跨项目缺陷预测方法,该方法结合堆叠降噪自编码器和最大均值差异距离,能够有效地提取源项目与目标项目可迁移的深层次特征表示,基于该特征可以训练出有效的缺陷数量预测模型。实验结果表明,在Relink数据集和AEEEM数据集上与经典的跨项目缺陷预测方法Burak过滤法、Peters过滤法、TCA以及TCA+进行比较,该方法在大多数情况下可取得最好的预测结果。

曲边多边形中轴提取的新方法

针对现有多边形中轴提取方法在处理复杂图形和特殊图形上有较大困难的不足以及中轴连通性和位置准确性难以保证等问题,提出一种曲边多边形中轴提取方法。首先提出曲边多边形的概念及其中轴的定义,然后基于最近边缘点集距离均值变换,结合新的中轴点判定规则,利用种子点生长判别法提取曲边多边形的中轴,并给出具体实现步骤。通过多组实例验证,该方法不仅能适用于各类多边形,且能较好地抑制图形边界噪声的干扰,提取出具有良好的光滑性、准确性和连通性的多边形中轴。

一种自适应阈值的运动目标提取算法

为了准确地划分运动目标和背景区域,提出一种自适应阈值的运动目标提取算法,对现有基于背景差的提取算法进行改进。本算法将运动目标和背景作为两个聚类,对图像中的点按像素灰度进行分类,以聚类间的方根—算术均值距离最大作为分割阈值选择的准则,使得运动目标提取算法中二值化阈值能够自动更新,从而实现对运动目标的准确完整提取。实验结果表明,该算法能够较准确快速地提取运动目标,并对环境亮度突变、背景存在微小运动等情况具有较好的鲁棒性。

水浸胁迫下植被高光谱遥感识别模型对比分析

随着全球气候变暖,我国洪涝灾害发生的频率及影响范围都不断增加。通过野外模拟试验,研究植被(玉米、甜菜)在水浸胁迫下的光谱变化特征,以构建高光谱遥感模型对水涝灾害范围进行监测。试验于2008年5月—8月在英国诺丁汉大学Sutton Bonington校区(52.8°N,1.2°W)进行,每周采集一次样本并在室内测量其光谱数据。试验结果表明植被光谱在550,800~1 300nm区域反射率都稍有降低,而在680nm区域反射率则略微增大。选取NDVI,SIPI,PRI,SRPI,GNDVI及R800*R550/R680共六个植被指数识别水浸胁迫下的植被,研究表明,指数SIPI与R800*R550/R680对水浸胁迫玉米比较敏感,而指数SIPI,PRI及R800*R550/R680对水浸胁迫甜菜比较敏感。为寻找最优的识别模型,计算对照与水浸胁迫植被指数之间的归一化均值距离并进行对比分析,发现植被指数R800*R550/R680的归一化均值距离在胁迫早期即大于其他指数的距离,说明该指数识别水浸胁迫植被的能力优于其他指数,且具有较强的敏感性与稳健性。因此,可以利用该指数快速地提取水浸面积,为救灾减灾决策提供信息支持。

地面三维激光扫描建筑物点云特征线提取

针对地面三维激光点云包含大量冗余数据,特征信息不明显等问题,提出一种建筑物点云特征线提取方法。该方法以点到其每3个相邻邻域点所构成平面的距离的平均值进行特征点的提取,实验结果表明,该方法受噪声影响小,可清晰完整的提取建筑物特征线。与现有算法提取的结果相比,提取的特征线更加完整,断裂线较少,且提取的复杂汉字轮廓更加清晰,冗余点较少。

基于算术-几何均值距离的多模态图像配准

根据图像灰度联合概率分布函数与图像相似程度之间的关系,提出了一种基于算术 几何均值距离的多模态图像配准新测度。与基于信息论的测度不同,新测度不再要求概率分布必须满足连续性的要求。实验结果表明,所提出的新测度比基于信息论的测度具有更强的噪声鲁棒性和计算量更小。

基于均值距离的图像分割方法

针对医学图像分割中存在的分割类数不易确定的问题,利用常用均值间的不等式关系构造出了一种新的分割类数判据——均值距离函数,并将均值距离函数与模拟退火算法相结合,提出了一种基于均值距离的分割算法。该算法以均值距离函数作为目标函数,采用模拟退火算法进行优化,在整个搜索空间中寻找最优分割阈值,弥补了模糊C均值算法(fuzzy C-means,FCM)分类类数难以确定、搜索过程容易陷入局部极值的缺陷。实验结果表明,算法对含有病灶的医学图像能够进行自动分割,并且分割速度明显高于基于互信息的分割方法。

基于软加权k-均距异常因子的雷达数据剔野方法

针对雷达测量数据的特点,提出一种基于软加权k-均值距离异常因子的雷达数据剔野方法。对测量序列进行软性加权,再将序列映射到特征空间通过计算异常因子来对野值进行检测,并以某型雷达在某次任务中的一段测量数据进行实验。实验结果表明:该方法能很好地识别野值,最大限度地保持轨迹测量数据的完整性。

基于随机跳跃蝠鲼算法优化的电影信息数据聚类

针对传统K均值聚类(K-Means Clustering,KMC)算法在对电影信息数据聚类的过程中,初始聚类中心选取随机性较大、聚类结果不稳定且算法容易陷入局部最优、影响迭代精度等不足,提出一种基于随机跳跃式翻滚觅食蝠鲼优化的K均值联合迭代聚类算法(MRRJRFO-KMC),实现对电影信息数据的聚类.首先,提出一种均值最大最小距离积法来初始化聚类中心,改善聚类中心选取的随机性,避免随机初始化对聚类结果造成的不稳定性.其次,在迭代的过程中加入蝠鲼觅食优化算法,并对蝠鲼觅食优化算法中螺旋觅食和翻滚觅食进行改进,提出一种随机跳跃式翻滚觅食蝠鲼优化的策略,解决了蝠鲼觅食优化算法易陷入局部最优的问题.将随机跳跃式翻滚觅食蝠鲼优化算法加入KMC算法,对KMC算法迭代过程中的聚类中心进行优化,提高了聚类精度.在Iris,Aggregation,Ecoli和Seeds国际标准数据集上对MRRJRFO-KMC算法、MRFO-KMC算法、KMC算法、K-Means++算法、模糊C均值(Fuzzy C-Means,FCM)聚类算法进行比较测试,实验结果表明,MRRJRFO-KMC算法和其他算法相比,准确性和收敛速度都有所提升.在电影信息数据处理过程中,该算法能够根据所给的信息进行有效的聚类,应用价值明显.