基于K-means聚类与集成学习算法的小流域山洪灾害易发性评估

为了更好地分析空间异质性对山洪灾害易发性评估的影响,建立了基于K-means聚类与集成学习算法的小流域山洪灾害易发性评估模型。首先,选取中国江西省12338个小流域为研究区,对各时段不同频率降雨量指标进行K-means聚类。其次,以误差平方和与平均轮廓系数为聚类效果评价指标,将小流域分为2个类内聚集、类外分散的子集。最后,针对不同子集,从几何特征、环境特征以及降水特征3个方面选取平均坡度、形心高程、形状系数、最长汇流路径比降、地形湿度指数、归一化植被指数、距离河流最近距离、降雨量、洪峰模数以及汇流时间10个山洪影响因素,应用自适应增强算法与极致梯度提升算法进行山洪灾害易发性评估。研究发现,降水是导致山洪灾害的重要因素,江西省高降水区域山洪灾害易发程度普遍高于低降水区,同时省内高风险区分布较为分散,主要分布在东北区域与西北边缘区域。对聚类后两类相似小流域分别进行山洪易发性评估,接受者操作特征曲线下面积值均在0.90以上,精度较聚类前有所提高。聚类策略作为易发性评估模型的前驱过程,可以有效解决小流域异质性问题。

基于联合方向梯度和均值对比度的红外弱小目标检测方法

针对小目标在整幅图像中占比很低,且目标周围存在大量杂波,提出了一种基于联合方向梯度(Associated Directional Gradient,ADG)和均值对比度(Mean Contrast,MC)的红外弱小目标检测算法。该算法由两个模块组成:ADG利用红外弱小目标的高斯分布模型,将单一方向的梯度与一个相邻方向上的梯度相加组成新的联合梯度特征,增强真实目标、抑制背景杂波的同时能够消除高亮边缘对目标检测效果的影响;MC融入方向信息来计算目标的多方向对比度,选用多方向对比度的最小值抑制结构噪声,并将均值滤波的思想引入对比度的计算,抑制背景中的孤立噪声,进一步降低检测的虚警率。在实际红外图像上的实验结果表明,该算法在增强目标信噪比和抑制背景噪声方面,能够取得较好效果。

基于改进Yolov5模型的纱筒余纱量检测方法

为实现针织圆纬机纱架上纱筒余纱量的实时检测,提出一种深度学习与传统图像处理相结合的检测方法。通过优化Yolov5的主干网络并加入Shuffle-Attention注意力机制,利用改进后模型在图像中检测并框出纱筒位置;然后利用透视变换、均值偏移、canny轮廓检测、闭操作等处理获取纱筒内外圆轮廓,设计基于梯度下降的圆拟合算法,拟合纱筒内外圆的轮廓,得到纱筒的内外圆半径;最后结合小孔成像的原理完成纱筒余纱量的测量。结果表明:改进后的Yolov5模型在纱筒检测精度上达到99.5%,检测速度可达20帧/s,同时模型参数减少至3.255×106可检测的最小纱筒余纱量为3 mm,当纱筒余纱量小于3 mm后,将其视为空筒,进行延时更换。本文算法拟合圆所花费时间是传统霍夫圆检测算法的1/4左右,因此可满足针织车间的实际应用需求。

基于三维Kmeans-DDPG的多能园区优化调度

模型驱动的优化方法已无法解决风、光的间歇性和负荷的波动性给多能微电网系统的调度带来的问题,在此背景下提出了一种基于三维K均值聚类算法(K-means Clustering Algorithm,K-means)及深度确定性策略梯度(Improved Deep Deterministic Policy Gradient,IDDPG)算法的调度方法,以解决复杂环境下的随机性问题。首先按照风、光出力和负荷需求将微电网环境数据划分为三个维度并采用K-means对三维空间下的数据进行分类,然后将分类后的数据分别交互至DDPG中,同时构建综合能源微电网系统的数学模型,选取状态空间、调度策略和奖励函数,随后分别训练各类别的数据得出不同类别微电网数据下DDPG的参数,同时自适应改变动作探索范围,并根据微电网模型选取最优动作策略,最后将所提算法应用在某高校实际微电网算例中,并证明此算法无论在收敛性和给微电网带来的经济效益方面都优于DDPG和传统的调度方法。

基于聚类和GBDT的镀锌钢卷力学性能预测

热镀锌钢卷力学性能影响因素之间关系复杂,限制了模型精度的提升。采用k-means算法利用化学成分属性对镀锌钢卷数据集进行聚类,将数据聚成三种模式簇实现样本的优选。利用梯度提升树算法,开展各模式数据集与不划分模式的全数据集下的力学性能建模研究,最后结合网格搜索与交叉验证方法进行模型参数优化。研究结果表明,分模式下模型MAE误差相比于全数据集建模平均减小0.85 MPa。参数优化后,各模式下MAE误差平均减少5.19 MPa,RMSE误差平均减少3.63 MPa,提高了预测模型精度。

基于k-mean聚类与灰度梯度最大熵的树木图像分割

提出一种基于k-mean聚类与灰度-梯度最大熵的树木图像分割算法,将要处理的树木彩色图像在RGB颜色空间下进行基k-mean聚类,通过选取合适的类参数实现初分割。由于灰度-梯度空间清晰地描绘图像中各个像素点的灰度、梯度的分布规律及图像目标与背景之间的边缘情况,采用灰度-梯度最大熵算法进行精分割,结合形态学后处理提取图像边缘最终将获得更理想的独立目标图像。与二维最大熵分割方法比较的实验结果表明,灰度-梯度最大熵算法提高了树木图像分割的准确度。

基于共轭梯度法的快速Mean Shift图像分割

针对均值漂移算法收敛速度较慢的问题,本文提出了基于共轭梯度的快速均值漂移算法,并将其用于图像分割。该算法利用共轭梯度法简便,存储需求小,收敛速度介于最速下降法和牛顿法之间,具有较好的全局收敛性和较快的收敛速度的特点,通过交替执行均值漂移算法和共轭梯度算法提高经典均值漂移算法的收敛速度。对合成图像和真实图像的实验结果表明了新算法不但提高了经典均值漂移算法的速度,而且在进行图像分割时保持了良好的分割结果。

K-Means++的声速剖面精简方法

在深海定位中,声线传播距离长、声速剖面层数多,采用常梯度声线跟踪虽然提高了定位精度,但明显降低了定位的计算效率。针对这一问题,本文引入优化聚类算法,提出了一种基于K-Means++的声速剖面精简方法。该方法将原始声速剖面的梯度分为正负2个部分,采用K-Means++对每部分进行初始聚类,再对聚类后的每一簇进行不同类别数的K-Means++聚类,将相邻相同类的层合并后得到精简声速剖面。采用精简声速剖面进行水下定位,并与原始声速剖面定位效果对比。实验结果表明:本文方法在确保原始声速剖面空间结构和水下定位精度的前提下,显著提高了定位计算效率,且在不同深度的定位精度与原始声速剖面定位精度保持一致。

基于属性权重的Fuzzy C Mean算法

提出CF-WFCM算法,该算法分为属性权重学习算法和聚类算法两部分.属性权重学习算法,从数据自身的相似性出发,通过梯度递减算法极小化属性评价函数CFuzziness(w),为每个属性赋予一个权重.将属性权重应用于Fuzzy C Mean聚类算法,得到CF-WFCM算法的聚类算法.CF-WFCM算法强化重要属性在聚类过程中的作用,消减冗余属性的作用,从而改善聚类的效果.我们选取了部分UCI数据库进行实验,实验结果证明:CF-WFCM算法的聚类结果优于FCM算法的聚类结果.函数CFuzziness(w)不仅可以评价属性的重要性,而且可以评价属性评价函数的优劣.实验说明了这一问题.最后我们对CF-WFCM算法进行了讨论.

基于梯度分组的NL-means改进型SAR图像降噪算法

非局部平均降噪(non-local means,NL-means)算法是近期提出的针对高斯噪声的降噪算法,能够有效地保持图像纹理,但是其计算量庞大,而且要求噪声符合高斯分布,这限制了其在合成孔径雷达(synthetic aper-ture radar,SAR)图像上的应用。利用梯度分组的相似点匹配算法对NL-means算法进行改进,在降低计算量的同时进一步提高降噪质量。针对SAR乘性噪声特点,引入同态变换处理使改进后的算法能够适用于SAR图像降噪。通过仿真实验对本算法进行验证,降噪处理的峰值信噪比比同类算法平均提高3dB,执行速度比NL-means约提高了3倍。

基于Mean Shift的目标平移与旋转跟踪

针对目前多数实时跟踪算法只能跟踪目标平移运动,不能跟踪旋转运动的问题,提出一种基于Mean Shift的快速旋转跟踪算法。该算法以目标区域的梯度方向分布(直方图)为特征,构造了可用Mean Shift算法寻优的相似度函数,将旋转跟踪转化为寻优问题,并利用Mean Shift寻优过程收敛速度快的特点,有效跟踪目标旋转。又提出交替迭代的方法,将旋转跟踪与Meer的平移跟踪算法融合起来,构造了可以同时跟踪目标旋转和平移完整跟踪算法。

基于EM和Mean-shift的肺结节分割

针对结节与血管相连且两者CT值相近造成分割困难的问题,提出了一种基于期望最大(estimationmaximum,EM)的自适应带宽参数选择的方法,并采用均值漂移(Mean-shift)算法解决结节分割。与基于统计分析规则的带宽选择方法和基于最优化的带宽选择方法相比,该方法能直接求得正确带宽参数,且时间复杂度低。应用血管梯度的法向量方向服从正态分布,而结节梯度的法向量方向服从均匀分布,建立血管粘连型结节模型,并用期望最大估计模型参数,根据均匀分布的权重和带宽选择定理确定带宽参数。该方法对仿真数据和CT数据(19个粘连血管性肺结节)进行评估实验,都取得了正确的分割结果。结果表明,该方法对分割粘连血管型结节是有效的。

基于L0梯度平滑与图像分块聚类的海天线检测

海天线检测在海洋工程安防活动中具有重要的意义,真实海洋环境中的海天线检测易受云朵、海浪、光照变化、目标遮挡物、边界模糊等外界干扰。为了实现对真实海洋环境中海天线的检测,本研究提出一种基于L0梯度平滑和图像分块聚类的海天线检测算法。首先,对图像进行L0梯度平滑滤波,以增强海天线边缘,弱化非海天线因素干扰;接着,将图像沿着竖直方向分割成若干等宽图像块,以降低整体环境干扰,加强局部海天线检测效果;然后,通过Canny算子和霍夫变换提取每个分割图像块中的直线段;最后,采取K-means聚类算法提取每个图像块中的海天线段,拟合生成完整海天线。实验结果表明,在真实的海天线数据集中,本研究方法获取的矩形框重叠率平均精度为93.22%,角度差平均精度为7.66%,均高于文中选取的近年典型对比算法。满足实际海天线检测抗干扰强、准确率高、适应性广等要求。

基于单位超球面上Mean Shift聚类的地震子波盲估计

石油勘探领域中,地震信号可以看作地震子波与地震反射系数的褶积。由于缺乏先验知识,地震反褶积本质上是一个盲过程。针对带状独立分量分析方法估计子波的多解性,以及地震子波的单位模长约束。对子波空间进行了单位超球面建模,进而研究了这种特定几何空间的黎曼度量及梯度,并由此构造了单位超球面上的Mean Shift聚类算法,最后依据聚类结果求取子波平均。模型实验与实际资料应用结果表明,与带状独立分量分析方法估计的地震子波相比,通过该方法估计的地震子波保真度更高,与设计子波相似度更高,反褶积处理后能够有效提高地震资料的分辨率。

基于梯度场和非局部均值的复杂工件图像增强算法

由于高动态X射线成像系统与工件自身结构复杂性,复杂异形工件的射线图像往往呈现对比度低或特征信息不明确的问题。针对该问题,本文提出基于梯度场和非局部均值降噪的图像增强算法,提高视觉质量。首先,基于梯度场和局部方差构建对比度的自适应增强模型,提高射线图像的对比度;然后,利用非局部均值对图像进行去噪,特别地,本文构建了基于泊松分布的非局部均值算法进行图像去噪,从而得到增强的对比度场;最后,建立能量泛函并用梯度下降法求解来获得具有微小细节的更高质量的图像。实验部分对3个复杂异形工件的X射线图像进行图像增强和缺陷检测实验,结果证实了本文算法的有效性。

Mean Shift算法的收敛性分析

作为迭代算法,Mean Shift的收敛性研究是应用的基础,而Comaniciu和李乡儒分别证明了Mean Shift的收敛性,但证明过程存在错误.首先指出了Comaniciu和李乡儒的证明过程存在错误;然后,从数学上重新证明了Mean Shift算法的局部收敛性,并指出其收敛到局部极大值的条件;最后,从几何上举反例分析了Mean Shift的收敛性,并进行了深入比较和讨论.这为Mean Shift算法的深入研究及应用奠定了基础.

粒子滤波器与Mean Shift算法在人脸跟踪中的应用

目的针对背景复杂的彩色视频图像序列,提出了一种梯度和颜色直方图相结合的双线索人脸跟踪算法。方法首先利用颜色确定肤色区域,再根据人头的椭圆形状利用梯度确定头部轮廓,从而获取人脸区域。在跟踪过程中采用粒子滤波方法得到人脸初始粒子与位置;然后用Mean Shift算法进行粒子更新,判断目标运动方向。结果与结论该方法对复杂背景下人脸旋转、遮挡及背景肤色干扰下的跟踪,具有较强的鲁棒性,能够更好地克服在视频跟踪中的遮挡问题。对于丢失目标的跟踪情况进行改进还有一定的困难,这也是以后研究的重点。

基于mean-shift的运动目标跟踪算法应用

先了解了Mean Shift的发展历程,采用了密度梯度,均值漂移,联合空间范围(值)域的灰度和彩色图像用于保持不连续性滤波和图像分割.Mean shift的属性被重新考虑证明其在收敛区域内.建议的滤波方法与图像中的每一个像素点最接近的局部模块中的密度分布的联合域相关联.在获得图像区域时只需要多加一个步骤将区域分割成一个分段固定结构,再融合本地区域与附近的模块.在提出的这个方法中有两个参数需要控制,分别是空间的分辨率和空间的范围域.由于已经保证了图像的收敛性,因此该技术不需要用户干预停止过滤所需图像质量.

一种基于改进k-means的RBF神经网络学习方法

针对传统RBF神经网络学习算法构造的网络分类精度不高,传统的k-means算法对初始聚类中心的敏感,聚类结果随不同的初始输入而波动。为了解决以上问题,提出一种基于改进k-means的RBF神经网络学习算法。先用减聚类算法优化k-means算法,消除聚类的敏感性,再用优化后的k-means算法构造RBF神经网络。仿真结果表明了该学习算法的实用性和有效性。

基于梯度方向检测的自适应带宽mean shift目标跟踪算法

传统核窗宽固定的mean shift跟踪算法不能很好地对尺寸变化的目标进行有效的跟踪。在结合增量试探法和梯度方向检测的基础上,提出了一种适应带宽的mean shift目标跟踪算法。算法能够对逐渐放大和逐渐缩小的目标都能够进行有效的跟踪,解决了增量试探法难以很好地对放大目标进行自适应带宽跟踪的问题,提高了自适应带宽跟踪的准确性。两段不同场景下的运动目标跟踪实验,证实了该算法的有效性。