全局搜索密度峰值聚类中心的线性回归方法研究

针对在数据量大且分布不均匀时非线性拟合效果不佳且易受离群点影响的问题,提出一种全局搜索密度峰值聚类中心的线性回归方法,采用密度峰值聚类方法根据样本分布密度将所有数据点划分为多个类簇,引入DKC值和AM度量降低离群点对聚类中心选取的影响,将聚类中心作为拟合的特征点进行分段线性拟合。通过对航班油耗的分段线性拟合的实验验证了该方法在此类拟合问题中的有效性,为线性回归分析提供了一种新思路。

基于最大化对齐度的多模态图像自动配准

该文讨论图像配准的广义定义并提出一种新的图像配准准则—对齐度。对齐度能够正确地反映两幅不同灰度属性的图像是否配准,并且将图像配准归结为对齐度的最大化。新准则可以用来配准多模态图像包括灰度属性差异很大的图像。该文应用多分辨率方法和Powell方向族搜索法来最大化对齐度。因此,用该方法可以自动地处理图像配准问题,不需要定义地标点或特征点。多模态医学图像和遥感图像的自动配准的例子说明了该文方法的有效性。

基于边缘特征点对对齐度的图像配准方法

针对基于特征的图像配准方法存在特征提取的多样性和相似度计算的复杂性等问题,在定义边缘特征点对的角度直方图和对齐度的基础上,提出了一种基于边缘特征点对对齐度的图像配准方法。该方法首先利用小波多尺度积准确地提取边缘图像和特征点,然后根据特征点的角度直方图得到的旋转角度,并通过计算所有特征点对在边缘图像中的对齐度来精确地确定匹配点对。大量的实验结果表明,该方法具有较强的适用性、精确性和有效性。

基于小波多尺度积的图像配准方法

由于基于特征的图像配准方法,对提取图像特征的鲁棒性和精确性都有很高的要求.本文提出了一种基于小波多尺度积的图像配准方法。该方法利用小波多尺度积提取边缘图像和特征点,同时保存特征点的方向信息,具有抗噪性强和边缘定位精确等优点;然后利用特征点的方向信息,定义角度直方图来得到图像之间的精确旋转角度;最后可以选择多种匹配准则来确定匹配点对。实验结果表明,本文提出的方法具有精确性、抗噪性、有效性和鲁棒性等优点。

一种快速全局中心模糊聚类方法

针对模糊C均值算法对初始中心敏感、容易陷入局部最优解,且算法迭代速度慢等问题,依据模糊聚类的全局中心理论,建立了一种快速全局中心模糊聚类系统模型,并给出了相关理论分析和算法流程。该模型通过DKC值方案对各数据成员进行密集度分析来确定初始质心,并结合AM度量提出自定义寻优函数,依据该函数在算法运行的每一个阶段来逐一动态增加聚类中心,直至算法收敛。通过实验对比和验证,该过程降低了随机选取聚类中心对聚类结果的影响,跳出局部最优解,减少计算量,具有更高的聚类精度和更快的收敛速度。

关于迭序列的子列极限点

本文讨论了度量空间上一个连续自映射击一点处的迭代序列的子列极限点集的结构，所得的结果统一和推广了Ｄｉａｚ和Ｍｅｔｃａｌｆ￣［１］，Ｍａｉｔｉ和Ｂａｂｕ￣［２，４］和Ｐａｒｋ￣［３］的若干结果．