基于随机分布与高斯分布数据集的不同距离下的FCM算法比较

首先,本文给出了Euclidean Distance(欧式距离)、(Manhattan Distance)曼哈顿距离、Chebyshev Distance(切比雪夫距离)、Minkowski Distance(闵可夫斯基距离)、标准化欧氏距离(Standardized Euclidean distance)、马氏距离(Mahalanobis Distance)和Morphology Similarity Distance)形状相似距离下的FCM算法的公式和取得最佳c-划分的条件。之后,为比较这些算法的好坏,我们对针对随机分布和具有几何特征的高斯分布的数据集应用这些算法分别作了聚类,并对结果进行分析,得到在当数据为随机分布时,形状相似距离相比于欧式距离、曼哈顿距离以及其他距离更为合适。然而不同距离下的高斯分布数据集的聚类结果并无大差异。

一种基于高斯分布的自适应DBSCAN算法

针对传统的DBSCAN算法只能依靠经验来设置阈值(minPts,Eps)和无法对多密度数据集进行有效聚类的不足,提出了一种可适用于所有密度分布特征的数据集的基于高斯分布的自适应DBSCAN算法.该算法根据数据集的特点寻找最大的聚类效果指数(CEI)来确定minPts,通过Distk图的层次数确定Eps个数并通过高斯分布中的参数估计来确定每个密度层次Eps大小,最后用所求得阈值进行聚类.将该算法与传统的DBSCAN算法分别应用于单密度数据集和多密度数据集,结果显示该算法更有效.

同分布强化学习优化多决策树及其在非平衡数据集中的应用

针对传统决策树在非平衡数据集分类时少数类预测性能出现偏差的问题,提出一种基于强化学习累积回报的属性优化策略即改进型同分布多决策树方法。首先通过同分布随机抽样法对非平衡数据集中的多数类样本进行随机采样,进而对各子集建立单决策树形成多个决策树,各决策树采用分类回归树算法建树,并利用强化学习累积回报机制进行属性选择策略的优化。研究结果表明:提出的基于强化学习累积回报机制的属性优化策略可有效提高少数类被正确分类的概率;同分布多决策树方法可有效提高非平衡数据集整体预测性能,且正类率和负类率的几何平均值都有所提高。

面向分布式组网无人机集群的感知数据融合方法

为解决由于全局知识缺失、通信限制、各无人机局部感知信息相关性未知等导致的分布式组网无人机集群中的感知数据融合难的问题,开展了面向分布式组网无人机集群的感知数据融合技术的研究。首先,采用标签随机有限集对各无人机局部感知信息进行建模。其次,分别使用算术平均和一致性作为分布式融合的准则和计算方法,提出了一种基于一致性、算术平均和标签随机有限集理论的分布式数据融合算法,以在分布式组网无人机集群中实现对全局感知信息的集体认同。最终仿真实验表明,所提算法可实现对全局感知信息的分布式融合。

基于优化YOLOv3算法的交通灯检测

为解决YOLOv3算法在检测道路交通灯时存在的漏检率高、召回率低等问题,提出一种基于优化YOLOv3算法的交通灯检测方法。首先,采用K-means算法对数据进行聚类分析,结合聚类结果和交通灯标签的统计结果,确定先验框的宽高比及其数量。然后,根据交通灯尺寸特点,精简网络结构,分别将8倍降采样信息、16倍降采样信息与高层语义信息进行融合,在两个尺度上建立目标特征检测层。同时,为了避免交通灯特征随着网络的加深而消失的问题,分别减少两个目标检测层前的两组卷积层,简化特征提取步骤。最后,在损失函数中,利用高斯分布特性评估边界框的准确性,以提升对交通灯检测的精度。实验结果显示,优化YOLOv3算法的检测速度可达30 frame/s,平均精准度较原网络提升9个百分点,可以有效完成对交通灯的检测。