采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

融合均值榜样的反向互学习水母搜索算法

为解决水母搜索算法(jellyfish search algorithm,JS)的洋流运动缺乏多样性、群内运动缺乏引导性、种群间信息无交流,造成搜索速度慢、稳定性差及易早熟的问题,构建了一种融合均值榜样的反向互学习水母搜索算法(oppositional-mutual learning jellyfish search algorithm based on mean-value example,OMLJS).首先在水母跟随洋流运动(全局搜索)部分,利用前两代水母的平均位置代替只考虑上一代水母的平均位置来引导水母个体的位置更新,提高算法的全局搜索能力;其次在水母的群内主动运动(局部搜索)部分,利用最优个体代替随机个体来引导水母进行更有效的搜索,加快算法的收敛速度;然后在水母进入下一次迭代前增加对水母种群进行动态反向互学习步骤,增加种群多样性及增强种群间的信息交流,达到互补另外两个策略,提高算法的整体优化性能.选用12个经典的基准测试优化函数,将OMLJS与5个对比算法从解的平均值、最优值及方差进行对比分析,并用于求解最小生成树问题,OMLJS能够更快地找到最小生成树.实验结果表明,OMLJS的收敛速度、求解精度明显提高.

量子均值估计算法研究进展

随机变量的均值估计问题一直是经典数据分析中研究的热点,均值估计算法的目的是通过对随机变量尽可能少地采样从而获得尽可能准确的均值估计值。量子计算作为一项革命性的技术,在一些问题上具有超越经典计算的优势。量子算法在均值估计问题上相对于经典算法具有平方加速,展现了量子计算的优越性。该文系统梳理了量子均值估计算法的发展历程,详细介绍了各阶段的算法流程及其优缺点,并对其主要应用场景进行了展示,最后讨论了量子均值估计算法的潜在发展方向。

基于K均值算法-TOF聚类分析的复合材料板冲击损伤层析研究

碳纤维增强型复合材料(CFRP)中的冲击损伤是威胁压力容器结构安全的重要隐患,有必要对CFRP中的冲击损伤进行层析研究,促成CFRP复合材料损伤定量化分析。提出基于K均值算法对超声C扫的飞行时间(TOF)图像进行聚类分析,并结合TOF值确定不同簇所在层,对CFRP冲击损伤进行逐层定量化分析。同时,分析了冲击损伤的TOF图像,验证了基于K均值算法-TOF聚类分析的冲击损伤层析方法,并进一步通过水浸超声C扫试验获得多组试验数据,指出K均值聚类中簇的总数K为铺层总数的1.25倍即可满足损伤逐层分析,实现了不同铺层总数CFRP层合板冲击损伤的层析研究。TOF聚类分析方法可以直接对CFRP层合板各铺层的冲击损伤进行定量化,具有一定的工程意义。

改进秃鹰搜索和K均值混合迭代的点云简化算法

针对激光雷达的固有特性和复杂环境易造成点云噪声和冗余点云,以及传统点云简化算法忽略了点云固有特征等问题,提出了一种基于改进秃鹰搜索和K均值聚类(KMC)混合迭代的点云简化算法(IBESSA)。首先,通过秃鹰搜索(BES)算法迭代阶段的竞争融合(CFBES),提高其收敛速度和优化精度;其次,通过CFBES和KMC算法的混合迭代,实现了点云数据的聚类;然后,在k近邻(k-NN)实现点云簇密度估计的基础上,结合香农熵实现点云信息量化;最后,删除信息量化值小于阈值的聚类簇,完成点云数据简化。使用UCI国际标准数据集和斯坦福点云数据集分别对CFBES-KMC算法的聚类效果及点云的简化效果进行验证,结果表明:与改进飞蛾扑火的K均值交叉迭代、K-means++、模糊C均值聚类算法的聚类效果相比,CFBES-KMC算法的聚类准确率分别提高了1.02%、12.31%、14.72%;在斯坦福点云数据集上,IBESSA算法在有效滤除冗余点云的基础上保留了原本点云的细节和形状特征,不失为一种高效的点云简化算法。

一种改进的局部均值伪近邻算法

针对基于局部均值的伪近邻分类算法(LMPNN)易受近邻参数k和噪声点影响的问题,提出了一种改进的局部均值伪近邻分类算法(IPLMPNN)。利用双层搜索规则确定待测样本的最近邻,提高近邻集的选择质量;为了克服主观赋权法的不利影响,并且加强每个局部均值向量对分类的作用,引入注意力机制计算距离加权系数;使用改进的调和平均距离计算待测样本与局部均值向量之间的加权多调和平均距离,由此查找伪近邻点对待测样本进行分类。利用UCI和KEEL中的多个数据集对IPLMPNN算法进行仿真实验,并与8种相关算法进行比较。实验结果表明,IPLMPNN算法取得了令人满意的分类结果。

基于均值阈值和回溯策略的SWOMP重构算法

为提高压缩感知重建算法中阶段性弱选择正交匹配追踪(SWOMP)算法的重建精度和运行速度,提出一种基于均值阈值和回溯策略的SWOMP算法。该算法利用均值策略自适应选择原子,提高了原子筛选的精确性;采用回溯策略对所选原子进行二次筛选,优化支撑集提高算法的重建精度;通过简化矩阵的设计减少算法迭代次数,提高了算法的运行速度。仿真实验表明,该算法对一维随机信号和二维图像信号的重构性能明显优于其他同类算法,具有重建精度高、用时少的特点。

基于截尾均值算法的箱体尺寸动态检测系统研究

在生产流水线上,一般采用测量光幕传感器对产品的尺寸进行检测。本文对测量光幕的工作方式和分析方式进行了比较选择,最终采用了直线扫描、光线阻挡的工作模式。针对箱体尺寸检测过程中干扰较多、数据信号波动较大的情况,提出了一种以箱形图检出离群值为核心的截尾均值尺寸估计算法。在传送速度为1.0m/s时,尺寸检测的平均误差率在0.30%左右,可准确实现箱体识别,获知被测产品种类。

一种改进相似度的K均值聚类协同过滤推荐算法

协同过滤算法被越来越多地应用于课程推荐领域,但传统协同过滤算法也存在一定的缺陷,如冷启动问题。针对这一问题,提出一种改进相似度的K均值聚类协同过滤推荐算法,该算法引入学习者标签以改进用户相似度计算,用于缓解新用户冷启动问题;利用K均值算法进行优化,将用户聚类,进而从同一类别中进行推荐,聚类效果更为精确;采用平均绝对偏差(MAE)作为评价指标进行算法效果验证,采用平均召回率(recall)、平均精准率(precision)2个指标进行新用户冷启动缓解效果验证。结果表明,该改进算法能有效缓解新用户冷启动问题,显著提高推荐效率。

基于改进K-均值算法的零部件拣选聚类模型

针对零部件多种少量拣选问题,在多人协同拣选模式下,任务分配不合理、拣选时长相差大,拣选环节易超时,构建以最短拣选时长为目标的多人协同拣选模型,并用改进K-均值算法及遗传算法对模型进行求解。针对传统K-均值算法聚类结果各簇所包含拣选点数量相差巨大的缺点,采用各簇拣选时间为指标,对拣选点所归属簇变换,并利用遗传算法对聚类结果进行路径规划、拣选时长计算,得到最优聚类结果。以某安防设备生产企业的零部件拣选环节为研究对象,与简单分批得到的拣选时间进行对比,验证了该算法的有效性。

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息GX和类中心点的近邻信息GV融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。

优化贝叶斯非局部均值算法的超声图像去噪方法

为了去除超声成像中可能产生的斑点噪声,提出了一种基于优化贝叶斯非局部均值算法的超声图像去噪方法,重点探讨优化算法改进的两个方面:(1)针对原始非局部均值算法运算复杂度高这一问题,应用像素预选择算法优化去噪时间;(2)针对原始算法只适用于加性高斯噪声的问题,利用伽马分布噪声模型,通过贝叶斯公式推导出适用于超声斑点噪声的非局部均值算法,引出皮尔逊距离来计算图像块之间距离,并且通过多次实验,得出噪声标准差和滤波参数的比值关系,实现参数自适应。为了评估优化算法的去噪能力,在模拟超声图像和真实超声图像上分别进行实验验证,结果表明,该优化算法去噪效果更好,图像边缘和细节保持能力更强;且在运行效率方面,较原始非局部均值算法有较大提升。

基于快速鲁棒模糊C有序均值聚类的苗族服饰图像分割算法

苗族服饰图像具有绣线纹理复杂、色彩形状多样等特征,针对模糊C有序均值(Fuzzy C-Ordered-Means,FCOM)聚类算法在进行苗族服饰图像分割时,存在耗时长、分割效果不理想的问题,提出了一种快速鲁棒模糊C有序均值聚类算法。在FCOM算法基础上加入了竞争学习的思想,通过构造新的隶属度约束函数,对像素点进行更加强制清晰的划分,提高图像像素定位的准确性,从而加快算法的收敛速度。结果表明,本文算法在图像分割过程中能有效地降低异常值的影响,获得更加准确的分割结果。该算法在Jaccard相似系数、分割精度、Dice相似系数、模糊划分系数及模糊划分熵等性能方面均优于其他几种模糊C均值(Fuzzy C-Means,FCM)算法,且分割时间与迭代次数也优于FCOM算法。

基于混合PSO算法和损伤概率均值的两阶段梁式结构损伤识别

受算法随机参数和测量噪声等因素的影响,基于群智能算法的结构损伤识别法容易出现单次识别误差大和多次识别波动大的问题。针对该问题,本文基于混合PSO算法和损伤概率均值提出一种两阶段梁式结构损伤识别方法。定义了包括单元容许损伤值αcr和临界概率pc的损伤有效原则,以计算损伤概率均值。第一阶段,对混合PSO算法的多次识别结果分批计算一阶段损伤概率均值,第二阶段,在此基础计算两阶段损伤概率均值。本文方法能够有效地提高高噪声水平影响下的结构损伤识别精度。简支梁和两跨连续梁的损伤工况试验研究表明,该算法能够有效地应用于不同结构和不同工况的结构损伤识别,在减少损伤误判的同时保证损伤单元的识别精度。

基于高斯核函数的差分隐私模糊C均值聚类算法的构建与应用

目的:提出一种基于高斯核函数的差分隐私模糊C均值聚类算法(DPFCM_GF),旨在优化大数据背景下医疗数据分析和挖掘带来的数据隐私安全问题,为数据隐私保护提供理论基础。方法:针对随机初始化模糊C-均值隶属度矩阵降低算法精度问题,采用最大距离法确定初始中心点,使用聚类中心点的高斯值计算隐私预算分配比率,并添加拉普拉斯噪声以完成差分隐私保护,构建DPFCM_GF。收集整理美国加州大学欧文分校机器学习存储库的心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集对DPFCM_GF有效性进行验证,收集2019年1月1日至2022年12月31日淮安市第二人民医院收治的756例胃癌和肺癌患者病例数据集,对DPFCM_GF的可用性进行验证,并将分析结果与模糊C均值聚类算法(FCM)以及差分隐私模糊C均值聚类算法(DPFCM)进行对比分析。结果:对于心脏病、乳腺癌、甲状腺疾病及糖尿病公开数据集,DPFCM_GF和DPFCM的最优聚类效果与FCM聚类效果相当;相较于DPFCM,DPFCM_GF迭代时间更快,聚集速度显著,差异有统计学意义(t=4.01、4.71、4.01、12.38,P<0.05)。对于肺癌和胃癌数据集,随着隐私预算ε的增大,DPFCM_GF正确识别率逐渐聚集于91.9%和93.9%,受试者工作特征(ROC)曲线下面积(AUC)值分别为0.79和0.81;当隐私函数ε为0.1、0.5、1和2(ε<3)时,DPFCM_GF聚类效果显著优于DPFCM,且聚类效果更佳,差异有统计学意义(χ^(2)=12.25、87.12、68.58、7.76,P<0.05;χ^(2)=4.74、43.51、42.47、4.89,P<0.05)。结论:DPFCM_GF是一种有效保护医疗数据隐私的方法,同时也可进行数据分析和挖掘任务,具有一定的研究意义和研究前景。

基于模糊C-均值聚类算法的动态等值研究

近年来,随着特高压交直流输电线路的不断建立,需要准确地模拟交直流大电网故障期间的暂态特性已十分困难。电磁暂态仿真计算结果较为准确,但计算量太大,因此需要在计算前对被仿真网络进行动态等值。本文首先介绍了模糊C-均值聚类算法(FCM)及基于物理等效的动态等值计算方法;然后,提出了基于模糊C-均值聚类算法的动态等值计算方法及其流程图。最后,对某区域进行FCM机组分群,并进行动态等值计算,结果表明,采用基于FCM的动态等值方法,等值前后的动态特性基本一致,该方法具有良好的实用性。

提高工频电流电压基波计算精度的Fourier均值算法

准确、快速地采集和计算出电力系统实时电压和电流的基波分量的有效值 (或幅值 )和相位对于保证电力系统的稳定、安全和经济运行十分重要。其精度和速度也是各种微机继电保护和自动控制装置的重要性能指标。然而 ,当电力系统频率偏离 5 0 Hz时 ,在定采样间隔条件下 ,利用快速Fourier变换 (FFT)计算电压和电流的基波 ,会产生较大的误差。该文提出一种简单实用的基于 FFT的均值算法 ,它可以明显地提高基波电压和电流向量的计算准确度 ;利用该算法 ,可使电力系统频率在偏离额定频率± 2 Hz时 ,基波幅值计算结果的误差 <0 .5 % ,相角误差也明显减少。

基于模糊C均值聚类算法的浆液循环泵节能运行优化方法研究

在浆液循环泵运行阶段,受客观应用需求波动的影响,其功耗相对较高。为此,提出基于模糊C均值聚类算法的浆液循环泵节能运行优化方法。在浆液循环泵运行数据特征提取阶段,采用基于无监督的深度学习模型,借助随机初始化的卷积核,对输入的数据进行卷积计算,获取低维空间的特征映射,随后通过反卷积确定浆液循环泵运行参数特征;在节能运行优化阶段,引入模糊C均值聚类算法,通过聚类具有相同特征的数据,将相同聚类内功耗最小的参数作为同类运行工况下的优化结果。结果显示,测试循环泵的功耗虽然会随着通过的最大颗粒粒度的增加而呈稳定增大的趋势,但对应的增幅较小,与对照组相比,其分别在节能程度和节能适应性方面表现出了明显优势。

基于均值位移算法的体育运动训练轨迹数据捕捉方法

为解决背景复杂、捕捉目标运动速度较快导致的轨迹获得不完全等问题,提出基于均值位移算法的体育运动训练轨迹数据捕捉方法。将人体模型视为具有51个自由度及16个关节的骨架模型实现训练轨迹的数据化,为减少计算量对轨迹数据做降维处理。为降低均值位移算法对环境参数的依赖性,选择梯度迭代估计算法中的概率密度函数,并将目标的颜色信息作为特征完成轨迹数据捕捉。实验表明方法能够捕捉到运动员各个关节的运动情况,可以在不依赖相关参数的条件下更精准地完成训练轨迹数据的捕捉工作。

基于疯狂捕猎秃鹰算法的K均值互补迭代聚类优化

在处理庞大复杂的点云数据时,传统聚类方法精度低、耗时长并且受离群点影响大,针对以上问题,提出基于疯狂捕猎的柯西反向秃鹰搜索算法(QO-BESCH)的K均值互补迭代聚类优化方法.所提算法构建基于体元包围盒的初始聚类中心选择模型,提升初始化聚类中心质量;提出疯狂捕猎机制,同时融合动态自适应控制算子和柯西反向策略,提升秃鹰搜索算法(BES)的寻优能力,增加寻找聚类中心的成功率;利用QO-BESCH优化K均值聚类(KMC),在减小迭代次数的同时增加搜索效率,得到较好的聚类结果.利用UCI标准数据集对所提算法进行测试,并与8种聚类算法进行对比,实验结果证明了所提算法的优越性.将本研究算法结合PCL点云库应用于ModelNet40点云数据集聚类,结果表明,所提算法可以实现有效聚类,适用性较强.