基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。

轻量级K匿名增量近邻查询位置隐私保护算法

基于位置的服务为人们生活带来便利的同时可能暴露用户的位置隐私。在k近邻查询问题中,构造K匿名区来保护用户位置隐私的方法具有一定的安全性,但会带来较大的通信开销。SpaceTwist方案使用锚点代替真实位置进行k近邻查询,实现简单且通信开销小,不过其无法保证K匿名安全,也没有给出锚点的具体选取方法。为克服SpaceTwist的缺点,一些方案通过引入可信匿名服务器或者使用用户协作的方式计算用户的K匿名组,进而加强算法的查询结束条件以实现K匿名安全;一些方案结合地图中兴趣点的大致分布,提出锚点的优选方法,进一步减小了平均通信开销。基于完善SpaceTwist的考虑,提出轻量级K匿名增量近邻(LKINN,lightweight K-anonymity incremental nearest neighbor)查询位置隐私保护算法,借助凸包这一数学工具计算K匿名组的关键点集合,并在此基础上给出一种锚点的选择方法,能够以更低的响应时间和通信代价实现K匿名安全。此外,LKINN基于混合式位置隐私保护架构,对系统中的所有成员都只做半可信的安全性假设,与现有的一些研究成果相比,降低了安全性假设要求。仿真实验结果表明,LKINN能够防止半可信用户对正常用户位置隐私的窃取,保护地图中正常用户的位置隐私,并且与一些现有方案相比,LKINN拥有更短的查询响应时间以及更小的通信开销。

基于K-Means聚类与凸包检测的金刚石磨粒分割与评价

金刚石工具广泛应用于磨削、线锯、研磨等领域,其表面的磨粒特征是影响加工结果与工具性能的重要因素。针对具有复杂背景信息的磨粒图像,提出一种基于K-means聚类与凸包检测的磨粒分割方法,结合二值化、形态学处理、主轮廓提取等相关操作实现磨粒的提取与分割;最终提出磨粒轮廓面积精度η_(CAA)、磨粒位置误差θ_(PE)和磨粒数量召回率σ_(QR) 3个相关指标来评价分割效果。结果表明:金刚石磨粒的平均轮廓面积精度为95.01%,平均位置误差仅为2.93%,平均数量召回率为98.30%,证明了该方法的准确性。

选择性自适应k子凸包分类方法

k子凸包分类方法在实际问题中有广泛应用.但是该方法仍然对噪声和参数k比较敏感,并且在k邻域内不同类的样本数经常严重失衡,导致分类性能下降.针对上述问题,设计了一种选择性自适应k子凸包分类方法.首先根据k子凸包分类的特点给出冗余数据、噪声和决策邻域的概念,并对数据进行网格化处理.然后采用留一法对数据集进行选择性修剪,去掉冗余数据和噪声;并为每个样本学习一个不同的决策邻域,使得不同样本的决策邻域能够自适应变化.实验表明,该方法不仅缩小了问题规模,而且分类性能也有显著提高.

基于度量学习的邻域k凸包集成方法

k局部凸包分类方法通过改进k近邻算法在处理小样本问题时的决策边界而显著提高分类性能,k子凸包分类方法通过克服k凸包分类对类数和样本环状分布的敏感性而改善了分类性能。但是,该方法仍然对样本距离度量方法敏感,并且在k邻域内不同类的样本数经常严重失衡,导致分类性能下降。针对上述问题,文章提出了一种邻域k凸包分类方法,并通过引入距离度量学习和集成学习技术来提高算法对样本空间度量的鲁棒性。大量实验表明,文中提出的基于度量学习的邻域k凸包集成方法具有显著的分类性能优势。

基于特征选择的相对k子凸包分类方法

k子凸包分类方法在实际问题中有广泛应用。但随着问题维数的增加,该方法计算得到的凸包距离非常接近甚至相等,这严重影响了分类性能。针对此问题,本文设计了一种基于特征选择的相对k子凸包分类方法。首先根据绝对凸包距离存在的不足引入相对k子凸包距离,然后在k邻域内利用判别正则化技术进行特征选择,并将特征选择融入相对k子凸包优化模型中,为每个测试样本在不同的类别中学习一个自适应的特征子集,从而得到一个用于分类的有效相对k子凸包距离。实验结果表明,该方法不仅能够进行特征选择,而且分类性能也有了明显提高。

求解k(<10)-中心问题的快速算法

提出求解3-中心问题、4-中心问题、5-中心问题及k(<10)-中心问题的算法.设计该算法的依据是覆盖点集的凸壳必覆盖点集.算法首先判定点集凸壳的形状,然后确定k个圆的排列方式,最后以确定方式计算圆心位置.证明了算法的正确性并且分析了算法的复杂性.

求解k(

提出求解k(<n) 中心问题的两类算法 ,其中第 1类算法适用于k <10的情况 ,而第 2类算法可应用于 10 <k<n的情况 两类算法的思想不同 ,前者利用等分凸壳直径的方法并且所确定的圆的圆心位置是固定的 ,而后者采用多种参数随机化的方法 ,从而圆心是不确定的

融合K-means聚类分割算法与凸壳原理的遮挡苹果目标识别与定位方法

自然场景下苹果目标的精确识别与定位是智慧农业信息感知与获取领域的重要内容。为了解决自然场景下苹果目标识别与定位易受枝叶遮挡的问题,在K-means聚类分割算法的基础上,提出了基于凸壳原理的目标识别算法,并与基于去伪轮廓的目标识别算法和全轮廓拟合目标识别算法作了对比。基于凸壳原理的目标识别算法利用了苹果近似圆形的形状特性,结合K-means算法与最大类间方差算法将果实与背景分离,由凸壳原理得到果实目标的凸壳多边形,对凸壳多边形进行圆拟合,标定出果实位置。为验证算法有效性,对自然场景下的157幅苹果图像进行了测试,基于凸壳原理的目标识别算法、基于去伪轮廓的目标识别方法和全轮廓拟合目标识别方法的重叠率均值分别为83.7%、79.5%和70.3%,假阳性率均值分别为2.9%、1.7%和1.2%,假阴性率均值分别为16.3%、20.5%和29.7%。结果表明,与上面两种对比算法相比较,基于凸壳原理的目标识别算法识别效果更好且无识别错误的情况,该算法可为自然环境下的果实识别与分割问题提供借鉴与参考。

结合K-Means和阈值凸包算法的肺实质分割方法

肺实质分割是肺部CT用于诊断肺部疾病的关键步骤之一,精准的肺部分割有助于辅助医生提高诊断效率。现有的分割模型严重依赖大量样本的训练,面对突发疾病或样本有限时对新病灶的特征学习不够充分,无法实现有效的肺实质分割。针对上述问题,提出了一种基于K-Means和阈值凸包算法相结合的肺实质分割方法。首先利用K-Means实现背景和前景的分离,然后使用连通区域标记法和孔洞填充法相结合以剔除干扰像素,以边界追踪法得到粗分割的肺实质轮廓,最后应用新提出的阈值凸包算法对轮廓进行平滑处理,实现肺实质的精准有效分割。实验表明,对比经典的形态学方法和凸包算法,本文方法在有效修补肺部轮廓凹陷的同时也能更好地保留肺门处的轮廓;与分割网络U-Net和U-Net++进行对比,该方法在数据有限时能实现更好的分割结果,面对突发肺部疾病有更好的普适性。

基于凸壳理论的遮挡苹果目标识别与定位方法

为实现受果树枝叶遮挡、果实间相互遮挡的果实目标识别,该文提出了一种基于凸壳理论的遮挡苹果目标识别方法。该方法首先将图像由RGB颜色空间转换至L*a*b*颜色空间,并利用K-means聚类算法将图像分为树叶、枝条和果实3个类别,然后利用形态学方法对果实目标进行处理,得到目标边缘并进行轮廓跟踪,接着利用目标边缘的凸壳提取连续光滑的轮廓曲线,最后估计该光滑曲线段的圆心及半径参数,实现遮挡果实的定位。为了验证该算法的有效性,利用Hough圆拟合算法进行了对比试验,试验结果表明,该方法的平均定位误差为4.28%,低于Hough圆拟合方法的平均定位误差16.3%,该方法显著提高了目标定位的精度,能够有效识别遮挡苹果。

花椒采摘机器人视觉识别与定位求解

针对花椒市场需求量大、采摘困难的现状。笔者设计了自动识别花椒系统,通过对比4种识别算法的性能,采用识别效果最好的K-means聚类算法对花椒果实目标进行提取,针对花椒串生长具有离散性特点提出用平面内质点系模型求出花椒串质心。提出了Otsu算法与K-means算法结合图像相减的方法识别出花椒的结果母枝,然后根据小孔成像的基本原理和凸包理论得出单目视觉的花椒深度信息。最后以到花椒质心最短距离为限定条件确定母枝上采摘点所在的直线段,经过坐标转换求出直线段上采摘点的三维世界坐标。

关于Von Neumann定理

推广了ＶｏｎＮｅｕｍａｎｎ定理及Ｌ．Ｏｖｅｒｔｏｎ－Ｓ．Ｗｏｍｅｒｌｅｙ定理，并给出了关于‖Ａ‖ｋ的两个定理的证明。

倾斜摄影实景模型悬空地物处理方法

为更好解决传统倾斜摄影实景模型悬空地物处理过程中对三维采编环境的过度依赖,本文提出了一种基于倾斜摄影三角网络分析的实景模型悬空地物处理技术方法。该技术方法将三维三角网进行降维处理,通过分析降维后二维三角网节点上边线的辐射特性,快速定位地物边缘点,同时结合聚类分析算法、最小凸边提取等技术方式,实现对悬空地物边界的快速定位、消除。试验选取植被这类悬空地物作为研究对象,验证了文中的技术方法对倾斜摄影实景模型悬空地物处理具有较好的适用性,能极大降低倾斜摄影实景模型数据处理中对三维环境的要求,降低数据处理的难度。

自适应特征选择加权k子凸包分类

针对问题维数的增加以及不同特征对分类的作用往往不一样,导致k子凸包分类性能降低等问题,设计自适应特征选择加权k子凸包分类方法。根据传统凸包距离存在的不足引入加权k子凸包距离,在测试样本的k邻域内引入距离度量学习技术和正则化技术进行自适应的特征选择,并将自适应特征选择无缝嵌入加权k子凸包优化模型中,这样就能为不同的测试样本在不同的类别中学习自适应特征空间,得到有效的加权k子凸包距离计算方法。试验结果表明,该方法不仅能够进行降维,而且具有明显的分类性能优势。