基于K-means分段融合模型的采煤沉陷水域水深反演

为了定量获取采煤沉陷水域水深数据,实现矿区水资源量的监测与合理利用,提出一种K-means分段融合水深反演模型。基于Sentinel-2影像数据与无人船实测水深数据分别建立单波段模型、多波段模型及其对应的水深分段融合反演模型,从整体精度和不同水深段精度等角度进行对比。结果表明:K-means分段融合反演模型的整体反演精度高于单一模型,在单波段和多波段基础上建立的分段融合模型较传统单一模型均方根误差分别降低了0.202 m、0.178 m,拟合优度分别提高了0.169、0.147;其在不同水深段内各项精度指标仍为最优,且随着沉陷水域深度增加反演精度也越高。

分段空场嗣后充填法人工矿柱多源信息融合稳定性评价模型

针对分段空场嗣后充填法人工矿柱(充填体)稳定性评价指标因素概率分配过程和权重分配中存在的问题,综合考虑工程地质环境、岩体质量、力学响应指标、声发射参数特征和几何形态5类信息源的影响,建立了涵盖17项稳定性影响因素的人工矿柱(充填体)稳定性多源信息评价指标体系,并基于此确立了人工矿柱(充填体)稳定性D-S证据理论的识别框架及评价指标分级标准。通过引入正态隶属度函数及改进的K-L距离对指标因素概率分配和权重分配进行优化,构建了基于改进D-S证据理论多源信息融合的人工矿柱(充填体)稳定性评价模型。选取某分段空场嗣后充填开采矿山5个典型人工矿柱(充填体)对模型的适用性进行验证,结果表明:多源信息融合稳定性评价等级分别为AP-2、AP-3和AP-5(Ⅱ级)>AP-4(Ⅲ级)>AP-1(Ⅳ级),稳定性评价结果与前期位移、声发射现场监测分析评价和数值模拟分析评价结果基本吻合,验证了评价模型在实际应用中的科学有效性。该模型为人工矿柱(充填体)稳定性分析提供了一种更全面的综合评价方法。

基于特征融合的K-means微博话题发现模型

针对传统话题检测方法在微博短文本上存在高维稀疏的缺陷,提出了一种基于特征融合的K-means微博话题发现模型。为了更好地表达微博话题的语义信息,使用在句子中共现的词对向量模型(Biterm_VSM)代替传统的向量空间模型(Vector Space Model,VSM),并结合主题模型(Latent Dirichlet Allocation,LDA)挖掘出微博短文本中的潜在语义,把两个模型得到的特征进行特征融合,并应用K-means聚类算法进行话题的发现。实验结果表明,与传统的话题检测方法相比,该模型的调整兰德系数(Adjusted Rand index,ARI)为0.80,比传统的话题检测方法提高了3%~6%。

基于CTM模型与K-means算法融合的文本聚类研究

[目的/意义]针对CTM模型与K-means算法在文本聚类中存在的不足,提出将二者融合的CKM算法。该算法利用CTM模型确定聚类数和初始聚类中心,利用K-means算法进行聚类。[方法/过程]以Web of Science为数据来源,建立涵盖6个主题的多学科文献集,以F值为评价指标,利用R语言中的k-means函数和topicmodels包,比较K-means算法、CTM模型、CKM算法的聚类效果。[结果 /结论]结果表明,与单纯使用K-means算法、CTM模型相比,CKM算法的聚类效果更优,稳定性更好。

基于主题模型和词向量融合的微博文本主题聚类研究

[目的/意义]针对微博短文本数据存在的高维稀疏和上下文语义缺失等问题,提出一种融合主题模型和词向量的文本特征表达方式,以期提高微博主题聚类的效果。[方法/过程]以新浪微博为数据源,结合LDA文档—主题分布特征和加权Word2Vec词向量特征构建微博短文本的融合特征,基于K-means算法进行主题聚类,并与单一特征聚类、标准LDA主题模型的实验结果进行对比,根据F1值评估主题聚类方法的优劣。[结果/结论]相较于其他方法,融合特征主题聚类模型表现最佳,其F1值达到83.7%。实验表明,融合特征能够更加全面、准确地描述文本的语义信息,能更有效地表征微博文本。

基于共现关系的多源主题融合模型

主题检测是互联网舆情分析任务中不可或缺的工作,在话题发现、热点话题等方面会遇到大量的不同种类的文本,它们有着不同的特性,却包含着相同的主题。有效地利用不同源的特性具有重要的科研和实践意义。大多数主题模型都是检测单一来源的文档,但媒体消息都是从多种平台进行传播,而且消息长度不一,不同平台都有其各自的属性,从而导致难以进行统一的舆情监控。为此,提出了一个基于共现关系的多源主题融合模型(Multi-source Topic Fusion Model,MTFM),该模型将共现(同一内容在不同地方出现)纳入到多源主题融合模型中实现异类源的准确话题提取。实验结果表明,与当前用于不同源主题检测的经典模型相比较,MTFM提供了另一种挖掘主题的方法。

一种融合IB准则特征的说话人分段聚类方法

针对说话人分段与聚类算法中先验知识不足的问题,利用基于信息瓶颈(IB)准则和基于隐马尔科夫模型(HMM)/高斯混合模型(GMM)方法间的互补性,提出了一种基于特征层融合的说话人分段与聚类算法。该算法将基于IB准则算法的输出结果进行对数变换和降维处理;然后利用变换后的特征与传统梅尔频率倒谱系数(MFCC)特征分别训练说话人GMM模型,并在得分域对说话人类别的得分进行加权融合;根据融合的得分,进行基于HMM/GMM模型的说话人分段与聚类。实验表明,融合后的特征可以为系统提供更多的先验信息,比传统方法的误配率降低了1.2%。

光学接力跟踪的弹道融合

研究用多台光学设备分段跟踪同一弹道的数据融合问题 ,首先给出弹道参数、测元真实信号的节省参数模型 ,并由此建立弹道跟踪数据的节省参数模型 ,以此融合各接力段数据 .该方法能给出精度较高的完整而分段光滑的弹道 。

分段反卷积改进SSD的目标检测算法

针对当前SSD算法低层特征图语义信息不足导致存在小目标漏检以及误检的问题,提出一种基于分段反卷积改进SSD的目标检测算法SD-SSD(Segmented Deconvolution-Single Shot M ulti Box Detector).根据SSD模型低层特征图语义信息提取不足,高层特征图边缘信息丢失过多,本文重新设计了融合结构,不仅降低了计算过程中的参数数量,而且丰富了各个特征图的细节信息和语义信息;由于特征图反卷积的次数过多会增加噪声信息,本文将模型中高层特征图分成三段做分段反卷积与低层特征层融合;为增强小目标在模型下的检测效果,增加更低层次的特征图进行特征融合,着重检测小目标.在Pascal VOC2007测试集上进行验证,本文SD-SSD模型大幅度提高了小目标类别的AP值,mAP相对SSD模型和DSSD模型分别提高了4.30%和3.0%,相比目前主流单阶段目标检测算法,本文算法保持了较高的检测精度和检测速度.

一种基于优化“词袋”模型的物体识别方法

针对传统基于"词袋"模型物体识别现有方法的不足,对现特征表达、视觉词典和图像表示方法进行优化,以提高物体识别正确率。采用HUE直方图与SIFT特征描述符分别描述兴趣点周围的颜色和形状特征,实现"词袋"模型下两种特征的特征级和图像级融合,引入K-means++聚类算法生成视觉词典,并利用软权重思想将特征向量映射到视觉单词形成图像直方图。实验结果表明,所述方法会产生较高的物体识别正确率,且识别结果不受两种特征融合权重的影响。

基于改进YOLOv3模型的侧扫声纳沉船目标检测

针对使用Faster R-CNN模型进行侧扫声纳图像沉船目标检测存在耗时长、效率低以及小目标漏警率高等问题,引入YOLOv3模型并结合侧扫声纳沉船图像数据集特点对模型进行了改进。首先,进行浅层特征融合的多尺度训练,从而增加沉船目标浅层特征在检测中所占比重;然后,使用K-means聚类算法重新设置先验框参数及大小,提高小目标检测精度;最后,采用二分类交叉熵函数改进YOLOv3算法中的损失函数,提高模型的收敛速度和泛化能力。实验结果表明:相比Faster R-CNN模型和传统YOLOv3模型,改进YOLOv3模型的AP值达到89.18%,分别提高了1.46%和0.57%;调和平均值F1达到89.08%,分别提高了2.33%和1.04%;检测图片耗时时间为Faster R-CNN模型的3/50,极大地提高了检测效率。该研究结果验证了改进的YOLOv3模型具有更高的检测精度和效率,对海底沉船搜救具有一定的实际指导意义。

基于Stacking集成模型的台区线损率预测方法研究

针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,再通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型由XGBoost模型、梯度决策树模型和支持向量机模型构成。与传统预测方法进行对比分析试验验证可行性。结果表明,与传统的线损率预测方法相比,所提出的线损率预测方法具有更好的预测效果,更高的预测精度和拟合效果。该研究为实现电网双碳目标提供了一定的参考。

结合码本优化和特征融合的人体行为识别方法

为了提高视频序列中人体行为识别的正确率,提出了一种结合两层K-means聚类优化码本和视频表达级特征融合的行为识别方法。首先对训练集视频提取出的时空兴趣点利用梯度方向直方图(HOG)和光流直方图(HOF)进行描述,并对属于不同视频以及不同种类动作视频的描述子使用两层K-means聚类形成各自更具有代表性的视觉词汇,从而提高码本的表达能力。然后将表示每个视频的HOG和HOF描述子分别作为码本优化后的词袋模型的输入,得到两种不同的视频全局表达并进行特征融合,由于HOG和HOF描述子在形成视频表达级特征时相关性较大,融合后的特征更具区分性和分类鲁棒性。最后采用支持向量机对融合后的特征进行分类识别。实验结果表明,该方法能够有效地提高识别率。

一种基于多源数据融合的高速公路运行监测系统设计

当前高速公路各类信息化系统建设日趋完善,获取的数据日益增多,如何利用这些数据精准地还原高速公路运行态势场景是一大难题。研究基于数据融合JDL(Joint Directors of Laboratories)模型的数据修正和平滑,研究基于k-Means聚类分析算法的数据分析,设计开发一种具有可视、可测等核心功能的高速公路运行监测系统。应用结果表明,该系统能有效提升高速公路管理单位开展高速公路运行监测业务的时效性、实时性和预见性。

基于集成学习的电子商务平台新用户重复购买行为预测

对电子商务平台新用户重复购买行为进行预测有助于商户开展精准营销。现有单一方法在预测准确性方面还有待提升,文中提出一种基于集成学习的预测模型以进一步提升新用户重复购买行为的预测准确率。引入"分段下采样"以获得新用户重复购买和未重复购买的平衡样本;从用户、商户及用户与商户交互三方面构建新用户购买行为特征;依据集成学习思想Stacking融合RandomForest,XGBoost和LightGBM对新用户重复购买行为进行预测。实验结果表明,Stacking融合模型准确率和AUC值比单一模型平均提升了0.4%~2%,使用"分段下采样"样本平衡算法AUC值提升0.1%左右。

基于概率模型的自适应融合互补学习跟踪算法

在互补学习实时跟踪算法(Staple)中,方向梯度直方图(HOG)特征与颜色直方图采用的融合系数均为固定值0.3,在不同特征下相融时易造成目标丢失的问题。基于此,提出一种基于目标概率模型的自适应融合互补学习实时跟踪算法(amStaple),该算法使用分段函数得出自适应融合系数。分别在OTB-2013与OTB-100基准视频集上对所提算法进行实验测试,最终的实验结果显示,本文算法极大地提升了跟踪器性能,与Staple相比,在两个基准数据集上其精度分别高出6.52%与3.32%,成功率分别高出4.89%与3.11%。本文算法较为简单,且在与同时期优秀算法的定性与定量比较中表现较优。为解决本文提出的算法在基准视频部分属性上表现欠佳的问题,在本文算法的基础上增加判定条件,提出了amStaple1算法。