优化初始聚类中心选择的K-means算法

K-means算法的聚类效果与初始聚类中心的选择以及数据中的孤立点有很大关联,具有很强的不确定性。针对这个缺点,提出了一种优化初始聚类中心选择的K-means算法。该算法考虑数据集的分布情况,将样本点分为孤立点、低密度点和核心点,之后剔除孤立点与低密度点,在核心点中选取初始聚类中心,孤立点不参与聚类过程中各类样本均值的计算。按照距离最近原则将孤立点分配到相应类中完成整个算法。实验结果表明,改进的K-means算法能提高聚类的准确率,减少迭代次数,得到更好的聚类结果。

基于谱聚类的全局中心快速更新聚类算法

针对高维数据在聚类过程中存在迭代次数多、运算耗时长等问题,提出一种改进的聚类算法,首先采用谱聚类对样本降维,再选取k个首尾相连且距离乘积最大的数据对象作为初始聚类中心,在簇中心更新过程中,选取与簇均值距离最近的数据对象作为簇中心,并将其他数据对象按最小距离划分至相应簇中,反复迭代,直至收敛。实验结果表明,新算法的Rand指数、Jaccard系数和Adjusted Rand Index等聚类指标全部优于K-means算法及其他3种改进聚类算法,在运行效率方面,新算法的聚类耗时更短、迭代次数更少。

曲边多边形中轴提取的新方法

针对现有多边形中轴提取方法在处理复杂图形和特殊图形上有较大困难的不足以及中轴连通性和位置准确性难以保证等问题,提出一种曲边多边形中轴提取方法。首先提出曲边多边形的概念及其中轴的定义,然后基于最近边缘点集距离均值变换,结合新的中轴点判定规则,利用种子点生长判别法提取曲边多边形的中轴,并给出具体实现步骤。通过多组实例验证,该方法不仅能适用于各类多边形,且能较好地抑制图形边界噪声的干扰,提取出具有良好的光滑性、准确性和连通性的多边形中轴。

不同尺度DDM的深度保证率变化规律研究

针对当前高密度多波束水深数据抽稀后所构建数字水深模型(digital depth model,DDM)的航海安全性缺少估计这一问题,分别以最浅点法、最近点法和平均值法3种常用方法抽稀水深数据并构建DDM,在此基础上,分析不同抽稀方法所构建DDM随尺度变化的深度保证率变化规律,采用统计分析的方法建立DDM深度保证率与抽稀尺度、海底地形复杂因子之间的数学回归模型。实验表明:该回归模型不仅可用于估算基于不同抽稀方法所构建DDM的深度保证率,也为确定满足适合的DDM深度保证率所需要的抽稀尺度提供了理论依据。

K均值聚类算法初始质心选择的改进

聚类分析在信息检索和数据挖掘等领域都有很广泛的应用,K均值聚类算法是一个比较简洁和快速的聚类算法,但是它存在着初始聚类个数必须事先设定以及初始质心的选择也具有随机性等缺陷,造成聚类的结果不是最优的。针对K均值聚类算法中的随机指定初始质心的缺点,提出了基于密度和最近邻相似度的初始质心选择算法,实验显示该算法可以生成质量较高而且较稳定的聚类结果,但是改进的算法需要事先设定最近邻相似度的阈值计算量较大等缺点,还有待改进。

基于局部背景感知的目标跟踪

经典视觉跟踪方法通常仅以目标区域内信息作为目标描述.实际中,目标局部背景信息也影响着跟踪性能.本文首先在目标描述中引入局部背景信息,并将目标表示为一带权点集.然后通过K近邻计算目标观测概率,并联合目标先验信息得到搜索区域内各点后验概率值.最后,利用均值漂移(Mean shift)算法估计目标状态.本文算法优点如下:1)目标描述中联合局部背景信息,增强了目标模型.因此,跟踪过程中提高了目标与背景的区分能力,并进一步使跟踪算法更加稳定,跟踪结果更加精准.2)目标初始化时,利用Mean shift对目标进行一次重定位.由此解决了不精确初始化时跟踪算法容易失效的问题.在不同视频上进行了定性和定量的实验验证.结果表明本文算法具有较高的跟踪稳定性和准确性,尤其当目标初始化比较粗糙时.

基于改进密度的簇内均值最小距离聚类算法

针对密度聚类算法在聚类过程中存在的参数设置敏感、收敛时间长等问题,提出了一种改进密度聚类算法。首先使用自定义密度公式计算样本密度,得出候选代表点集合;再选取与其它候选代表点距离之和最小对象为首个初始聚类中心,使用最大乘积法完成初始中心选择;在簇中心更新环节,将与簇内均值最小距离的对象作为该簇的临时中心,使用最小距离法划分样本至所属簇中;重复该环节,直到收敛。在UCI数据集上的测试结果表明,改进密度算法相对K-means算法和其它两种改进算法具有更好的稳定性、更高的聚类准确率和更少的聚类耗时。

近邻粒子系统的生存分析

本文利用平均场逼近的方法，研究了粒子间具有长程关联的粒子系统的相变问题，得出了近邻粒子系统的临界点，据此我们对系统进行了生存分析。

基于关键点序列的人体动作识别

在不同的光照及视角下,为了实现人体日常生活动作的高识别率,提出了一种基于Kinect的识别方法.首先,受到人类进行动作识别时往往关注局部细节动作的启发,层次化地处理了采集到的人体关节点数据:通过判断躯干关节点位置变化的缓慢程度,将动作粗分类为上肢动作和躯干动作;之后对于上肢动作,关注手部关节轨迹变化,而对于躯干动作,关注中心关节点轨迹.然后,通过C均值聚类法从这两类轨迹中提取关键点,并将动作的轨迹映射到相应的关键点,得到每组粗分类动作的关键点序列.并提出了时序直方图的概念用以建模关键点序列.再通过比较轨迹间关键点序列的相似性,完成动作识别任务.最后,将该算法应用于采集的数据集合,得到了99%的识别正确率,表明算法能够有效地完成人体动作识别任务.

面向机器人磨抛的激光点云获取及去噪算法

为了保证工业机器人磨抛的加工质量,利用激光扫描技术对机器人夹持工件的形状误差以及装夹误差进行测量和评估,包括点云数据的获取和去噪。采用条纹式激光扫描仪配合直线匀速运动对机器人末端夹持工件进行扫描,通过调节测量和运动参数,获取近似网格点云。为了去除点云中存在的大尺度噪点,在K近邻均值滤波(KNNMF)算法基础上,提出了基于局部均值的K近邻均值滤波(LMKMF)算法对偏大的数据点进行局部预先滤波,并建立相关数学模型。以峰值信噪比作为评价标准,以实际测量点云样本为测试对象进行去噪测试。结果表明,相比标准的KNNMF算法,结合LMKMF预先滤波的KNNMF算法在30%噪点密度下去噪能力提升了53.78%,证实了其在高密度噪点下具有更好的去噪能力和特征保持能力。