基于非监督算法的电力用户催收管理系统设计

针对电力营销中欠费回收问题,结合当前的计算机开发技术,提出一种基于非监督算法的催收管理系统。系统设计考虑了以下几方面:一是采用B/S架构对系统进行整体搭建,并重点对系统整体功能框架进行设计;二是引入风险识别模型,以客户历史缴费作为标签,对客户欠费的恶意程度进行识别,最后根据阈值判断该用户是否属于恶意欠费用户;三是针对恶意欠费的用户,采用语音自助播报的方式对用户电费进行催收。最后给出部分实例和恶意识别界面。结果表明,借助该算法,设置不同阈值可得到不同的恶意欠费用户,从而为当前电力用户自助催收提供了一种新的借鉴方式。

基于迁移学习和非监督分类的制种玉米遥感识别方法

作物遥感识别主要基于监督分类方法,对样本的数量、分布要求较高,而农作物样本目视解译困难。为提高已采集样本的利用率,同时降低精细分类中对样本的依赖,本文将迁移学习与非监督分类方法相结合,在源域内构建特征工程,包括:BLUE、GREEN、RED、EDGE1、EDGE2、EDGE3、NIR、SWIR 8个原始光谱波段,以及NDVI、EVI、RVI、GNDVI、TVI、DVI、MSAVI、GCVI、RNDVI、NDRE、RRI1、RRI2、MSRRE、CLRE、IRECI、LSWI、GCI、SIPI 18个植被指数,提取出最能表征制种玉米与大田玉米冠层光谱差异,且在不同的源域内制种玉米之间差异最小的特征,将其作为先验知识用于目标域的分类任务中,再基于K-means进行制种玉米识别和制图。结果表明,在众多特征中,近红外原始波段表现出最强的优势,且在制种玉米母本去雄期后表征效果最好。计算此时间段内NIR的线性回归斜率作为特征,相较于直接基于NIR原始波段特征分类精度有所提升。利用K-means方法对2019年、2020年石河子市和奎屯市的制种玉米分类,2个目标域制种玉米2019年F1值分别为74.35%和64.97%,2020年F1值分别为72.50%和75.69%。本方法通过提取先验知识,引入非监督分类器,有效提高了样本利用率。通过提取波段回归斜率作为特征为原始波段的特征增强提供了思路,同时也为无样本场景下农作物精细分类绘图提供了方法。

基于Mueller矩阵分解的非监督聚类算法

该文描述了一种利用极化SAR图像的Mueller矩阵分解系数进行非监督聚类的算法。根据关于各种地貌目标散射电磁波机理的先验知识,该算法可以在不需要任何实地勘测的条件下将图像粗略地分割为三种完全不同的、物理含义明显的类别,即建筑区域、茂密植被和微粗糙表面(例如水面)。与利用单极化灰度图像的非监督分类算法相比,该算法的突出特点是不仅仅将每个像素按照其特征紧密地聚集在一起,而且还能确定每个聚类的散射机理,进而确定目标类型。

一种改进的模糊类聚 Kohonen 网学习算法

描述了一类模糊类聚Ｋｏｈｏｎｅｎ网络，对以往的算法加以改进，将监督算法与非监督算法加以合并，提出一种改进的算法。这种算法在计算机上模拟实现，并与通常算法加以比较，可看到识别效果得到明显的改善。

FCM聚类算法在岩石图像分析中的应用

岩石的孔隙、喉道等特征是地质人员进行判断储层特征的重要参数。因岩石图像具有较高的复杂度,图像纹理相似,因而对岩石图像进行分析时有一定的难度。人工进行分析时,容易因为各种原因出现误差。本文提出利用模糊C均值算法(FCM)对鄂尔多斯盆地岩石铸体薄片进行聚类分析,实验结果能很好的将岩石铸体薄片中孔隙与岩石背景区分出来,为后期的岩石自动识别与分类奠定了基础。FCM是基于划分的一种非监督聚类算法。

基于文本聚类的网络攻击检测方法

针对Web服务应用的攻击是近年来网络上广泛传播的攻击方式,现有的攻击检测算法多采用监督学习的方法确定正常行为和攻击行为的分类边界;但由于监督检测模型在检测之前需要复杂的学习过程,往往会降低系统的实用效果。因此,根据现实中正常访问样本和攻击样本在数量和分布上的差异,提出了一种基于文本聚类的非监督检测算法。算法首先采用迭代聚类过程聚类样本,直至聚为一类;同时根据异常与正常样本的分布规律,在聚类过程中选择最优的最大类别作为正常样本类,将其余的作为异常样本类。最优方案的选择采用了使得分类误差最小的原则确定。实验表明,与多种经典检测方法相比,该方法省去了复杂的学习过程,增强了方法的适应性,具有较好的检测率和误报率。

一种新的自组织聚类网络及其在数据融合目标分类中的应用

介绍了一种新的自组织聚类人工神经网络(DIGNET)模型和网络的非监督学习算法。针对数据融合和目标识别的特点,提出了基于DIGNET的决策层数据融合目标分类方法。利用仿真数据研究了DIGNET和自组织特征映射网络(SOFM)的聚类性能以及基于DIGNET的决策层数据融合结构,实验结果表明DIGNET较SOFM正确分类率高、抗噪能力好;基于DIGNET的决策层数据融合能够有效地实现融合识别。将该数据融合方法应用于前视红外(FLIR)和可见光摄像机目标跟踪系统,结果表明该方法是可行的。

基于DIGNET网络的数据融合方法

针对数据融合和目标识别的特点,提出了基于DIGNET自组织聚类人工神经网络的数据融合方法。考虑到多传感器系统测量多个参量的特点,用并行的子网络结构代替中间隐层,实现了基于决策层的信息融合目标识别。利用仿真数据对基于DIGNET的数据融合方法进行了实验研究。实验结果表明,该方法具有数据正确分类率高和抗噪能力强等优点,有效地实现了融合识别。将该方法应用于前视红外和可见光双传感器目标跟踪系统的数据融合识别是可行的。

复杂观测环境下GNSS信号分类及精度评估

基于高度角、信噪比和伪距残差3个指标,采用K均值(Kmeans^(++))、迭代自组织数据分析法(ISODATA)和基于密度带有噪声的空间分类法(DBSCAN)对复杂城市观测环境下的GNSS数据进行分类,并采用伪距单点定位模型(SPP)评估不同算法的分类精度。结果表明,Kmeans^(++)算法分类精度最优,在E、N、U 3个方向上的定位精度分别达2.56 m、3.25 m、9.73 m;相较于未采用Kmeans^(++)算法的定位精度分别提升57.86%、47.64%、60.98%。为进一步验证算法性能,将Kmeans^(++)算法与信噪比、高度角阈值法进行精度对比,结果表明,Kmeans^(++)算法的平面和三维定位精度均有显著改善,分别提升24.87%、39.07%(信噪比阈值法)和41.36%、59.91%(高度角阈值法)。