基于反射强度的改进欧式距离聚类钢轨点云分割方法

线路点云数据结构化是深化专业计算与分析的技术前提。点云分割是点云数据结构化的基础。钢轨作为轮轨走行面,其空间位置的连续及平顺情况直接影响行车安全,因此轨道结构分割中,首先需对钢轨进行分割处理。针对传统欧式距离聚类中线路全景点云数据遍历导致距离阈值难统一、难界定,造成分类过多不易查找,或人工选取初始点及调参带来的自动化程度不高的情况,提出基于反射强度的改进欧式距离聚类钢轨点云分割方法。在对轨道结构特性分析的基础上,采用布料滤波算法进行地面滤波,区分地面点与地物点,精简线路点云为轨道结构点云;融合点云反射强度属性,提出提取率概念,确定钢轨高反射强度区间,进行钢轨顶面点云预分割,进而以轨顶面预分割点作为初始点,根据钢轨断面轨头高和轨头宽构造对角线长度来计算距离阈值,由Kd-Tree找到小于轨头距离阈值的点进行欧式距离聚类,实现对轨头凸集点云的分割。多路段钢轨点云分割试验,精确率及召回率均大于90%,说明该方法可行有效。

基于改进关联规则挖掘和距离聚类算法的知识融合

针对产品全生命周期管理(PLM)中来自于不同阶段和不同领域的设计文档,本文提出一种基于实体抽取的改进关联规则挖掘与距离聚类相结合的知识获取与融合的算法。以汽车行业领域知识获取与融合为例,从相关文档中抽取出8 183组数据,220 941个实体,将各组数据的27个特征两两交叉并与原来的特征规则共同作为候选集,进行关联规则挖掘,并构造初步的领域知识库。通过定义知识库中各实体之间的距离,结合聚类算法减少冗余知识,再根据融合后的知识构建知识库。实验表明,该算法在一定程度上减少了知识模型的规模,提高了领域知识库中知识的价值密度。

基于密度聚类的复杂装备健康监测方法

针对复杂装备历史数据往往存在非球形的特征,提出了一种基于密度聚类的复杂装备健康监测模型。从历史数据中估计各个样本的局部密度和类间距离,并综合考虑两者的统计特性以确定数据的聚类中心,对于新采集的复杂装备健康状态监测数据,如果它与聚类中心密度可达,就认为该复杂装备处于健康状态,否则就处于非健康状态。通过数值仿真技术分析了一个实际的复杂装备数据集,以及利用散点图、盒图和平行坐标系等可视化技术来验证计算结果的可靠性,仿真结果表明提出的方法能够有效监测复杂装备的健康状态。

基于距离度量法聚类的无线网络路由优化系统

配置无线网络路由时,研究人员缺乏对实际能量剩余情况的分析,导致网络的传输性能较低,因此提出基于距离度量法聚类的无线网络路由优化系统研究。首先,将RT-FK1-M现场总线光纤中继器作为系统的硬件装置,为网络节点的调整和组网拓扑结构功能的设置提供可靠的基础条件。其次,在软件设计阶段,利用距离度量的方式对无线网络路由节点进行聚类处理,充分考虑了在实际的网络运行过程中网络节点的不可移动属性特征。最后,根据节点剩余能量,结合能量系数、质心系数、距离系数之间的协同关系,对路由能量进行优化配置。测试结果表明,设计系统下对应的网络在负载强度为300 Mb/s时的吞吐量和丢包率分别为98.26 Mb/s和4.54%,具有较高的传输性能。

基于马氏聚类和前馈神经网络的风力机故障诊断

通过建立数据驱动的故障预测模型,可以将故障状态从正常状态中分离出来,进而实现对风力发电机故障的精确诊断。为此,提出一种基于马氏聚类和前馈神经网络的风力机故障诊断策略,通过马氏距离评估实现数据聚类以及正常数据和异常数据的分离;然后以前馈神经网络为基础,根据工程经验构建风力发电机、齿轮箱和发电机3种预测模型;最后利用实验样机数据对所提出的故障预测策略进行验证。实验结果表明:所提的风力机故障预测策略可以有效识别风力机输出功率异常、齿轮箱温度异常和发电机温度异常,进而有利于合理地安排维修计划。

应用欧氏距离聚类法综合评价环境质量

应用欧氏距离聚类法对不同监测点的环境质量进行分类评价。建立了计算权重的数学模型,减少了主观因素对评价结果的影响,具有很强的科学性、合理性且简单易行。

遗传距离聚类法和模型聚类法在地方鸡种群体遗传结构分析中的比较

利用16个微卫星标记,计算品种间DA遗传距离和基因流(Nm),并基于DA遗传距离运用NJ算法和基于Structure程序构建2类聚类图,比较分析10个地方鸡品种群体间的遗传结构和亲缘关系。结果表明:基于DA遗传距离运用NJ算法构建的聚类图将10个地方鸡品种总体上分为2大类:轻体型的鸡种(包括茶花鸡、藏鸡、仙居鸡、固始鸡和白耳鸡)和重体型的鸡种(包括狼山鸡、大骨鸡、北京油鸡、鹿苑鸡和萧山鸡);在轻体型的类别中,茶花鸡和藏鸡、仙居鸡和固始鸡聚为一类;在重体型的类别中,鹿苑鸡和萧山鸡聚为一类,狼山鸡、大骨鸡和北京油鸡则表现为独立分支,聚类结果与品种间基因流动相一致。Structure程序在预先未标识个体品种来源的条件下,准确推断出10个地方鸡种群体所属类别,构建的聚类图与遗传距离聚类结果基本一致。Structure程序还根据个体基因组分数,指出了10个地方鸡种群体中迁移个体和具有复杂遗传基础个体的分布,这是遗传距离聚类法所不能揭示的。

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。

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。

结合手势主方向和类-Hausdorff距离的手势识别

针对目前手势识别方法受手势旋转、平移、缩放的影响,导致手势识别率偏低的问题,提出一种基于手势主方向和类-Hausdorff距离模板匹配的手势识别方法.首先把分割后的手势图像进行标准化处理,并求出标准化图像中的手势主方向;然后根据手势主方向建立二维手势直角坐标系提取空间手势特征;再利用空间手势坐标点分布特征方法对手势进行初步识别;最后利用类-Hausdorff距离模板匹配的思想识别最终的手势.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确地实现手势识别,总体识别率达到95%;对发生旋转的手势识别率能超过90%.

核概率距离聚类方法及应用

研究聚类分析新方法一直是统计学和机器学习研究领域普遍关注的课题。针对概率距离聚类算法不能解决非线性可分聚类问题的缺欠,笔者应用核函数理论将该模型拓展成为一种能够解决非线性可分聚类问题的统计模型,称为核概率距离聚类分析模型。研制出一种应用新模型进行遥感图像非监督分类研究的实施策略和可行算法;在GDAL遥感图像数据输入输出函数库基础上,用VC++语言开发了遥感图像核概率距离聚类分析算法程序;用ERDAS软件提供的一幅7波段491像素×440像素大小的TM图像进行新方法分类应用实验研究。对比了新模型和其原版本的TM遥感图像非监督分类效果,结果表明新模型的非监督分类效果优于原有的分类模型。

改进的传统距离聚类方法及应用

文章利用三种客观方法对样品间距离进行加权并分析其优缺点。当观测指标存在强相关性时,利用主成分分析可消除指标间的多重共线性并客观确定权重,用样本主成分得分与主成分因子得分代替原始观测数据,比较研究了三种主成分因子聚类方法,最后给出实例分析,验证了理论分析结果。结果显示:不是所有数据集都适合标准化处理,主成分也不是越多越好,选取累积贡献率在90%附近的主成分效果较好;自适应主成分因子聚类方法错分率较低,尤其适合自然科学数据。

AdaBoost图像到类距离学习的图像分类方法

近年来,距离度量学习已经成为图像分类领域的研究热点之一,图像到类距离的度量作为其中的一种方法,取得了不错的分类效果.该方法是一种非参数方法,但由于缺少训练学习,其分类性能很容易受干扰因素的影响,为此提出一种基于AdaBoost算法的图像到类距离学习的图像分类方法.首先将图像到类的距离进行阈值化处理,并使用线性分段函数作为图像到类距离的评价函数,然后将该评价函数作为弱分类器加入到AdaBoost算法中生成一个强分类器.为了选择最优的弱分类器,使用粒子群优化算法确定图像的相似性阈值,再基于权重错误误差最小化原则得到距离评价函数的两个评价值.最后通过实验验证,该方法在Scene⁃15和Caltech⁃101图像数据集上比其他方法有更好的分类效果.

结合手势二进制编码和类-Hausdorff距离的手势识别

针对目前动态手势识别方法受手势旋转、平移、缩放的影响,并解决手势识别的实时性问题,提出一种基于手势二进制编码和类-Hausdorff距离模板匹配的手势识别方法.首先,把分割好的手势图像进行标准化处理,求出标准化图像中的手势主方向,建立二维手势直角坐标系,提取空间手势特征;其次,根据前五帧手势图像中手势像素点个数的变化量识别出动态手势类型;然后,用手势二进制描述子从动态手势类型中再筛选出可能的候选手势集合;最后,用类-Hausdorff距离模板匹配方法从候选手势集合中识别出最终手势.主要创新点在于:提出的动态手势类型识别和手势二进制描述子匹配的方法,大大缩短了动态手势识别的时间;提出的结合手势主方向的类-Hausdorff距离方法,不仅对旋转、平移和缩放手势具有不变性,而且对区分度较小的手势也具有较高的识别准确率.实验结果表明,在光照相对稳定的条件下,该方法能够实时准确的实现动态手势识别,总体识别率达到95%以上,对发生缩放的手势识别率能达到92%以上,对发生旋转的手势识别率能达到87%以上.本文算法已经在一个基于手势的人机交互界面中得到应用.

用简化脉冲耦合神经网络实现交通标志图像的类Euclidean距离变换类内特征提取

脉冲耦合神经网络(PCNN)提取的特征序列的旋转不变性降低了道路交通标志类内匹配识别的准确性,为了提取更有利于形状分类的特征向量,本文利用PCNN的自动波扩散特性,简化了PCNN模型。采用简化PCNN模型产生的类Euclidean距离图像作为分类特征,利用最小方差值进行匹配分析,并通过实验选取了最佳PCNN参数。针对道路交通标志图像库GB5768-1999的实验结果表明,采用获得的类Euclidean距离图像作为特征向量进行分类匹配,在选定边缘图像的迭代次数N为16,反馈输入固有电势VF为0.65,动态门限固有电势VT为100,卷积核矩阵为5×5时,最小方差值均出现在对应的标准图像位置。结果表明,简化PCNN的类Euclidean距离变换能够有效提取二值边缘图像的形状信息。该方法优于传统PCNN熵序列的特征向量方法,类内区分效果更加明显。

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.

基于马氏距离的双层聚类电力远动异常检测

通过对电力远动监测系统和数据挖掘技术的讨论,提出一种基于马氏距离的双层聚类异常检测算法。针对远动系统数据非球面分布的特点,该算法通过K-means聚类改进算法对数据进行初始分类,然后使用基于马氏距离的Clustering Using Representatives(CURE)聚类改进算法对初始分类结果进行优化,以较少的计算成本去除K值设定的影响,达到预期的检测结果。同时,基于马氏距离的CURE聚类改进算法对球面和非球面分布的数据有非常好的适应能力。

基于互信息与类距离测度最优的图像聚类

模糊C均值算法用于图像聚类时,仅考虑图像的灰度信息,忽略灰度的空间分布,未充分利用分割前后图像间的关系。从分割后图像的类距离出发,并利用聚类分割前后图像间的互信息,以基于对称分布多样性的粒子群算法为优化技术,构造了一种新的图像分割方法——基于互信息和类距离测度最优的图像聚类算法。对医学图像进行仿真,实验结果表明该算法得到的图像边界清晰连续,图像的内部特征保持完好,与多种聚类算法相比,图像分割的质量明显得到提高。

进化多目标距离矩阵聚类研究

聚类分析在科学研究和现实生活中都有广泛的应用.然而,当前的聚类算法仍然面临一些挑战,自动确定最佳聚类数目和复杂分布数据聚类是最主要的两种,自动确定复杂分布数据的聚类数目并对其正确聚类是两者的结合.提出一种基于进化多目标的距离矩阵聚类算法(Multi-objective Distance Matrix Evolutionary Clustering,MODMEC).首先使用一种实数-标签的编码方式表示染色体,该染色体可两次解码成聚类候选解.其次使用聚类代表点代替聚类中心点设计聚类算法,通过类内紧凑度和类间离散性自动确定最佳聚类数目.最后使用进化多目标框架并行优化.将MODMEC在不同分布的五种人工测试集和两种UCI测试集上与四种常用的聚类算法做了比较.实验结果表明,M ODM EC在检测最佳聚类数目和聚类精度上都获得了良好的效果.

有类间距离因素聚类结果的比较分析

本文对于有类间距离因素聚类结果的比较，提出了类结构的空间描述方法和比较相似度的度量指标──夹角余弦，并推导出它的一些性质．最后，用蒙特卡洛模拟的结果阐明用夹角余弦作为聚类结果的相似性度量指标是合理的．