基于准稠密匹配的结构化场景三维重建

传统的准稠密对应点匹配算法大都是针对一般场景开发的,未考虑场景的结构特点.为此,针对结构化场景提出一种基于平面单应约束的准稠密匹配方法.首先采用基于仿射不变量的方法检测和匹配稀疏平面种子区域,然后根据平面间的几何约束和对应点相似性约束,利用区域增长的方法实现准稠密扩散匹配.最优种子区域优先扩散策略的应用大大减小了初始错误种子区域对扩散过程的影响,而对不可靠扩散点的后处理也有效地提高了最终三维重建的精度.实验结果表明,相比传统的准稠密匹配方法,对于结构化场景,采用文中方法更加精确和稳定.

基于免疫网络和SOM的文本聚类算法研究

文本聚类的核心问题是找到一种优化的聚类算法对文本向量进行聚类,是典型的高维数据聚类,提出一种基于自组织神经网络SOM和人工免疫网络aiNet的两阶段文本聚类算法TCBSA。新算法先用SOM神经网络进行聚类,把高维的文本数据映射到二维的平面上,然后再用aiNet对文本聚类。该方法利用SOM神经网络对高维数据降维的优点,克服了人工免疫网络对高维数据的聚类能力差的缺点。仿真实验结果表明该文本聚类算法不仅是可行的,而且具有一定的自适应能力和较好的聚类效果。

一种基于枢纽现象和加权离群分数的离群数据挖掘算法

针对高维数据集中出现的枢纽现象,本文给出了一种基于枢纽现象和加权离群分数的离群数据挖掘算法.该算法首先根据逆k近邻中出现的枢纽现象,以及与离群数据的关系,利用k近邻中的距离信息作为权值,对逆k近邻的离群分数进行加权;其次随机生成区分度阈值,根据该阈值判断区分度比例满意值,并根据满意值计算数据对象的离群程度,选取离群程度最大的若干数据对象作为离群数据;最后采用人工数据集和UCI标准数据集,实验验证了该算法的有效性.

Wu-Manber算法的一种综合改进

对孙晓山等提出的Wu-Manber算法的后缀改进算法作进一步的改进,在对next链表进行分类的同时把含有互为后缀的结点提到链表的前部,并整合了张鑫提出的精神的不良字符转移和弱化的良好后缀转移的改进方法,新改进的算法充分利用以上两种算法的优点,使区配过程中字符比较好的次数得到了进一步减少.新改进的Wu-Manber匹配算法在实验中取得了更高的效率.