基于非负正交矩阵分解的多视图聚类图像分割算法

多视图聚类在应对非线性结构数据上具有一定优势,却存在需要后处理和时间效率较低等缺点.针对这一问题,文中提出基于非负正交矩阵分解的多视图聚类图像分割算法.首先,提取图像多视图数据,使用流形学习非线性降维方法获取每个视图的谱嵌入矩阵,构建相应的谱块结构.再设计自适应权值,将谱块结构融合成一致性图矩阵.然后,对一致性图矩阵进行非负正交矩阵分解,获取非负嵌入矩阵.最后,由非负嵌入矩阵获得多视图特征的聚类,进而得到图像分割结果.在5个数据集上的对比实验表明,文中算法在分割精度和时间效率上都有一定提升.

基于本征间隙与正交特征向量的自动谱聚类

针对经典谱聚类算法无法自动确定数据类个数的问题,本文提出了一种基于本征间隙与正交特征向量的自动谱聚类算法.该方法利用样本数据构建亲和度矩阵,然后进行谱分解得到相应的特征值和特征向量,对特征值从大至小依次排序,用本征间隙来刻画相邻特征值之间的差,通过第一个极大本征间隙出现的位置来自动确定类个数,最后以特征向量之间的夹角作为相似度和已获得的类个数相结合来实现数据分类.本文算法的正确性在人造数据库上得到了验证,并在UCI数据库上与k-means、FCM、Jordan算法进行了分类准确性比较实验,结果表明本文方法比其他三种方法的分类准确率更高.

模糊聚类在正交多项式法模态参数识别中的应用

针对试验模态分析中密集模态识别精度差等问题,采用频率归一化正交多项式法进行多模态参数识别,并采用模糊聚类方法实现多测点极点的自动选择,减少识别过程中对分析人员经验的依赖。详细论述在频率归一化下系数矩阵正交化和转换矩阵的归纳求法以及模糊聚类方法的具体实现。仿真数据证明算法能够识别密集模态,剔除虚假模态,识别精度高。

ABT处理棉花的聚类分析及正交多项式产量回归分析

本文以 4种 ABT剂型和 6种剂量对棉种进行处理 ,通过聚类分析和对子棉产量的正交多项式回归分析 ,结果表明 :ABT各剂型处理棉种的增产效果极显著 ,剂型不同 ,处理效果不相同 ,4种 ABT剂型的最佳剂量分别为 ,ABT6 :1 3.80 mg· kg- 1;ABT7:2 3.50 mg· kg- 1;ABT8:2 7.86mg·kg- 1;ABT10 :2 2 .2 2 mg· kg- 1,其中 ABT7效果最好 ,拟合的模型为 :Y2 =3647.32 1 7+ 2 7.62 50 X-0 .5877X2 ,有极显著相关的非线性回归。

基于正交最小二乘法的聚类及异常检测

异常检测是防范新型攻击的基本手段。文中使用了一种基于K-近邻的入侵检测算法,它不需要预先知道分布,也能很好完成异常检测的任务。为了降低检测算法的时间和空间复杂度,使用正交最小二乘法对数据进行了聚类,其优点在于数学思想非常明确,可控性好。在文中使用了DARPA99的部分入侵测试数据对两种方法进行了测试。

基于正交非负矩阵分解的K-means聚类算法研究

为提高K-means聚类算法在高维数据下的聚类效果,提出了一种基于正交非负矩阵分解的K-means聚类算法。该算法对原始数据进行非负矩阵分解,并分别通过改进的Gram-Schmidt正交化和Householder正交化加入了正交约束,以保证低维特征的非负性,增加数据原型矩阵的正交性,然后进行K-means聚类。实验结果表明,基于IGSONMF和H-ONMF的K-means聚类算法在处理高维数据上具有更好的聚类效果。

基于正交分层聚类算法软件可靠性模型的预测分析

鉴于软件测试数据对软件可靠性增长模型预测的扰动,以及在软件可靠性增长模型(SRGM)预测中要求测试工作量分布均匀这一过高的前提假设,在聚类基础上提出了正交结构分层聚类算法。对在实际过程中不满足这一假设前提的数据进行归一化,并利用基于正交结构分层聚类算法的J-M模型对软件的可靠性进行评估,以实验数据验证了基于分层聚类算法J-M模型预测优于传统J-M模型预测。

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。

基于正交约束的分块不完整多视角聚类

在处理数据特征提取问题时,已有的基于非负矩阵分解的不完整多视角聚类算法对局部特征的提取不够准确.针对此问题,文中提出基于正交约束的分块不完整多视角聚类(CIMVCO).利用非负矩阵分解获得所有视角的潜在特征矩阵,通过加入正交约束得到更好的局部特征.对于各个视角的缺失样本,CIMVCO给予较小的权重以减小缺失数据的影响.为了解决大规模数据的聚类问题,CIMVCO逐块处理数据以减少内存需求和处理时间.在Reuters和Digit数据集上的实验验证CIMVCO的有效性.

模糊聚类正交方法

本文提出一种模糊聚类的方法——正交方法,证明了正交法与编网法的等价性.正交聚类法很容易在计算机上实现,本文编制了实现这种方法的计算框图.

基于犹豫模糊语言术语集的正交模糊聚类算法

犹豫模糊语言术语集(Hesitance Fuzzy Linguistic Term Sets,HFLTSs)允许决策者们用几个可能的语言术语来评估一个属性.近来,采用HFLTSs来进行模糊聚类分析的问题越来越受关注.考虑到目前基于HFLTSs的模糊聚类算法还存在计算复杂度高的问题,提出了一种新的正交模糊聚类算法:首先计算样本之间的距离测度得到距离测度矩阵,接着计算其等价矩阵;然后确定置信水平值,通过置信水平值对等价矩阵进行切割;最后根据切割矩阵的列向量之间的正交关系来确定对应样本是否可以放在同一个类别,以此得到聚类结果.该算法步骤简单,计算复杂度低,并且适合于数据量大的模糊聚类问题.本文末尾将通过一个实例结合k-means聚类算法证明该算法的可行性和高效性.

基于正交多项式回归分析与ICA结合运用的时序聚类

时间序列是一种与时间相关的高维数据,在经管等领域应用非常广泛,但因其数据量巨大且复杂,要想直接聚类,无疑是困难的。此时,就需要对时序数据特征提取与降维,而正交多项式回归分析与ICA就是其中常用的方法。本文将这两个方法结合作用于时序数据,再用K均值聚类方法聚类,并用数据来模拟此过程,结果显示其效果要好于单独运用ICA再聚类的情况,两种方法的结合能更充分地提取时序数据的特征。

基于改进模糊C均值聚类和区域合并的矿物颗粒分割方法

岩矿石薄片图像中矿物颗粒的分割提取是分析鉴定工作的前提,为了进一步提高矿物颗粒提取的准确性,提出一种新的矿物颗粒提取分割方法。该方法以一组岩矿石薄片正交偏光序列图作为输入,对每张正交偏光序列图采用改进的模糊C均值聚类(fuzzy C-means,FCM)算法进行初始的边缘提取,并叠加多张边缘图像,再对得到的叠加边缘图像进行精细化处理并进行目标颗粒筛选,得到初始的分割提取图像。为了抑制颗粒的过分割现象,利用基于区域邻接图(region adjacency graph,RAG)的合并算法进行区域合并,首先依据颗粒的颜色纹理等特征进行初始合并操作,再根据矿物颗粒在不同正交偏光角度下的变化规律进行二次合并操作,从而得到最终的分割提取图像。通过对多组图像进行实验表明,该方法可以获得良好的效果。

统一框架的增强深度子空间聚类方法

深度子空间聚类是一种处理高维数据聚类任务的有效方法。然而,现有的深度子空间聚类方法通常将自表示学习和指标学习作为两个独立的过程,导致在处理具有挑战性的数据时,固定的自表示矩阵会导致次优的聚类结果;另外,自表示矩阵的质量对聚类结果的准确性至关重要。针对上述问题,提出一种统一框架的增强深度子空间聚类方法。首先,通过将特征学习、自表示学习和指标学习集成在一起同时优化所有参数,根据数据的特征动态地学习自表示矩阵,确保准确地捕捉数据特征;其次,为了提高自表示学习的效果,提出类原型伪标签学习,为特征学习和指标学习提供自监督信息,进而促进自表示学习;最后,为了增强嵌入表示的判别能力,引入正交性约束帮助实现自表示属性。实验结果表明,与AASSC(Adaptive Attribute and Structure Subspace Clustering network)相比,所提方法在MNIST、UMIST、COIL20数据集上的聚类准确率分别提升了1.84、0.49、0.34个百分点。可见,所提方法提高了自表示矩阵学习的准确性,聚类效果更好。

层次分析-熵权法评价结合正交试验优化铁皮石斛颗粒配方工艺

采用多指标综合评分法结合正交试验,优化铁皮石斛颗粒配方工艺。运用复杂系统熵聚类算法,对铁皮石斛保健品的注册信息进行分析,挖掘含铁皮石斛的保健品中原料药的配方组成;进一步以颗粒的成型率、溶化率、吸湿率、休止角为指标,筛选稀释剂,并以原料/稀释剂比例、乙醇体积浓度、乙醇用量为影响因素,采用层次分析法(analytic hierarchy process,AHP)结合熵权法(entropy weight method,EWM)确定综合权重,通过正交试验优化颗粒的配方工艺。结果表明,复杂系统熵聚类算法确定配方组合为铁皮石斛、枸杞、白芍;AHPEWM法确定各指标权重分别为:成型率0.3567、休止角0.0847、溶化率0.1778及吸湿率0.3808;优化所得铁皮石斛-枸杞-白芍颗粒剂最佳工艺:原料药材浸膏粉、糊精和微晶纤维素的用量分别为5、3.5、1.5 g(即比例为10:7:3)、乙醇体积浓度50%、乙醇用量5 mL。验证试验中颗粒的AHP-EWM综合评分为93.63±1.65,与理论预测值接近,表明优选的颗粒剂配方工艺稳定可行,本研究为铁皮石斛的相关保健品开发提供了参考。

岩石薄片正交偏光序列图像的颗粒分割

岩石薄片粒度分析的基础是颗粒的分割提取,自动分割准确性的提高,有利于颗粒的进一步分析。在岩石薄片多角度正交偏光序列图的基础下,通过叠加序列图像获取融合图后,利用分水岭分割算法将目标颗粒提取,然后对过分割区域提取角度、面积、位置等特征后使用AGNES方法由底向上进行层次聚类,将过分割区域聚类为符合实际的目标颗粒,最终实现颗粒的自动分割。

一种正交混沌蚁群算法在群机器人任务规划中的应用研究

针对群机器人协作任务规划问题,提出一种正交混沌蚁群算法(OCACA)对其进行求解.该算法的思想是首先采用正交法对任务目标进行聚类,然后利用混沌技术对蚁群初始解进行优化,改进初始个体质量,并用混沌扰动策略避免搜索进入局部最优,最终获得了总代价最优解.该算法将正交混沌蚁群算法首次应用于群机器人的任务规划中,成功解决了中大规模任务规划问题.仿真实验结果表明:正交混沌蚁群算法能提高多机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路.

模糊聚类法在试验模态参数识别分析中的应用

为了搜索系统的真实极点,将模糊聚类理论引入试验模态参数分析。根据极点之间内在的亲疏关系,将其合理地聚为若干类,搜索每一类的最佳极点,即系统的真实极点,在稳态图中自动完成真实极点的选择。该方法能够避免人为因素造成的识别误差,提高识别结果的可信度。在正交多项式曲线拟合和多参考点最小二乘复频域识别系统中引入该方法,实现了稳态图中极点的自动选择,提供了真实极点选择的一种新思路。通过仿真和实验证明了模糊聚类法对极点选择的可行性和稳定性。

基于递推正交最小二乘的RBF网络结构优化

讨论了次胜者受罚的竞争学习规则 ,提出了基于正交最小二乘 ( OLS)递推算法 ,采用改进的 Givens旋转变换技术避免了大型矩阵的 QR分解运算。在满足系统测量精度条件下 ,使用反向优选算法优化 RBF网络结构。仿真结果表明 ,所得算法能有效地解决网络学习隐层单元的确定需要人介入的问题 。