一种基于密度和约束的数据流聚类算法

文章在传统聚类算法的基础上,提出了一种基于密度和约束的数据流聚类算法——C-DBDStream(Constraint and Density Based Clustering of Data Stream)。该算法使用数据流聚类在线和离线两阶段框架。在线聚类阶段使用衰减窗口模型,对数据流中的数据对象进行初步的聚类,应用约束条件生成微簇,并将实例级的约束扩展到了微簇级,并将结果以快照的形式保存下来为下一阶段做准备;离线聚类阶段则利用微簇级约束规则聚类,采用DBSCAN算法中的密度可达寻找密度连通区域以产生最终结果。经实验证明,与Clu Stream算法的对比中,C-DBDStream算法提高了聚类效果。     

基于对偶范数低秩分解的织物疵点检测方法

研究一种基于对偶范数低秩分解模型的模式织物疵点检测方法。通过Log-Gabor滤波器提取织物图像的纹理特征,进而构造高度低秩的特征矩阵;采用基于对偶范数的低秩分解模型将特征矩阵分为低秩部分(背景)与非低秩部分(疵点),采用核范数的对偶范数作为正则项来替代原有低秩分解模型中的"稀疏"约束,使背景和疵点的相关度最小,从而实现疵点的有效分离;最后采用改进的自适应阈值算法对由非低秩部分生成的显著图进行分割,从而定位出疵点区域。认为:该算法具有较高的检测率及鲁棒性,且优于现有的疵点检测方法。     

图像分割算法在花型自动识别中的应用

针对提花毛皮样片扫描图像的花型自动识别问题,提出了一种改进的基于空间信息的模糊C均值聚类图像分割算法,该算法利用像点邻域区间的粗糙度和邻域像点的值修正像点与聚类中心的距离,对像点的模糊隶属度函数进行修正,利用修正后的模糊隶属度函数进行聚类中心的迭代计算,获得合理的聚类中心。经多幅提花毛皮样片的花型图像分割实验表明,该算法具有对噪声不敏感的优点,在进行提花毛皮样片扫描图像的花型识别时,能获得较好识别结果。     

基于改进L_0梯度的织物沾水区域提取

针对目前织物沾水等级评定方法不能有效消除噪声干扰和减弱光照不匀影响,提出L0梯度最小化和拉普拉斯特征映射相结合的方法解决上述问题。根据织物沾水图像的边缘信息,对图像中的像素值沿x、y方向求导,利用非零梯度个数约束整体平滑程度,并保持边缘不被平滑;然后把图像转化为CIELAB模式消除光照影响,计算邻域内颜色相似度;根据拉普拉斯特征映射理论计算其广义特征向量,组成颜色平缓过渡的图像,并使用模糊聚类算法对去噪后图像进行聚类分割。实验结果表明,该方法能够有效实现织物沾水图像的去噪处理,得到正确分割的织物沾水区域。     

多变量LME一种异类约束最小二乘解的迭代算法

基于求多矩阵变量线性矩阵方程(LME)异类约束解的迭代算法,通过构造等价的线性矩阵方程组,建立了求多变量LME的一种异类约束最小二乘解的迭代算法.该算法不要求等价线性方程组的系数矩阵正定、可逆或者列满秩,因此该算法总是可行的.不考虑舍入误差时,该算法可在有限步计算后求得多变量LME的一组异类约束最小二乘解;选取特殊的初...     

基于改进神经网络算法的蔬菜图像识别

文章提出了改进神经网络算法,建立了径向基函数神经网络模型,包括梯度下降方法求解权重参数,增大邻域半径的均值聚类方法求取隐函数中心值,利用相邻聚类中心获得核宽度,通过量子遗传算法删除冗余权重和神经元;提取了蔬菜图像的特征,并给出了算法流程。仿真试验表明,试验算法对蔬菜图像的形状特征平均识别率为97.56%,纹理特征平均识别率为95.60%,颜色特征平均识别率为93.25%,训练时间平均为5.83s、识别时间平均为2.18s,优于其他算法。     

两类联图的Q（L）谱及有限的Q（L）整图类

摘要G是一个简单图,矩阵Q（G）=D（G）＋A（G）表示图G的无符号拉普拉斯矩阵,其中D（G）和A（G）分别为对角元素为图G顶点度的对角阵和图G的邻接矩阵,矩阵L（G）=D（G）-D（G）记为图G的拉普拉斯矩阵．若一个图的拉普拉斯矩阵的特征值全为整的,则称此图为L整图,Q整图类似定义．本文针对两类联图G1VG2和G1VG2,分别得到了它们的Q谱和L谱,进一步得到了Q整谱图和L整谱图的一些无限类．     

结合神经网络的文本降维方法

传统文本表示模型多为稀疏矩阵,文本规模的增长导致维度灾难。文中提出一种结合神经网络的文本降维方法,利用随机映射、非负矩阵分解、隐含语义分析等方法实现文本降维,使用自建微博文本数据集比较其效率和准确率,并在最优降维方案的基础上使用自组织神经网络算法进行聚类。实验结果表明,该方案准确率相比传统不降维的K-means聚类方法有一定提升。     

基于谱聚类胶囊网络的文本分类方法

传统胶囊网络(CapsNet)在计算时使用的动态路由算法需要多次迭代,针对这一问题,文章提出一种基于谱聚类的胶囊网络模型(Spectral Clustering Capsule Network,SC-Caps)并将其应用于文本分类任务.这种模型首先使用卷积层对文本进行特征提取,在初级胶囊层将提取的标量特征转化为向量特征,再利用谱聚类算法将高维的向量特征转化为较低维的子向量特征,并在卷积胶囊层学习局部与全局之间的关系映射.在搜狗语料库SougoCA进行实验,结果与LSTM、C-LSTM以及采用其他路由方法的胶囊网络进行比较,证明该算法有效提高了文本分类的分类效果.     

关于结合层次聚类和K-means算法进行聚类的研究

为了解决进行K-means聚类时类数的自动选择和Hierarchical聚类在处理大量高维数据时时间效率低的问题,在Kmeans聚类算法的基础上结合Hierarchical聚类算法,提出了一种基于集体智慧编程方法的用于处理大量数据时动态选取K值的聚类模型。实验结果表明该算法比K-means聚类具有更好的聚类效果,同时解决了Hierarchical聚类方法时间效率低的问题。本模型通过K-means聚类生成适量的类簇,再利用Hierarchical聚类对这些类再进行聚类,最后经过剪枝得到合适的聚类结果,以此实现动态选取K值。     

应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。     

微博话题检测SP&HC聚类算法分析

针对微博网站中具有较大的文本信息量、采用凝聚层次聚类算法不适合、Single-Pass聚类算法检测结果不准确等问题,提出一种将这2种算法相结合的SPHC聚类算法:利用Single-Pass聚类算法进行大量微博文本的简单聚类,收集一些小幅度、高凝聚力的主题话题,使得形成的主题话题在内容上和数量上得到极大的精简,直到使得主题话题能达到层次聚类算法的要求;运用层次聚类算法对主题话题进行相似话题聚类,直到符合预设值的条件.实验结果证实了SPHC聚类算法在召回率和准确率上的综合性能优于前2种算法.     

基于FCM与小波变换的碳纤维木质复合材料图像分割研究

针对模糊C均值聚类(FCM)图像分割算法对图像的噪声敏感以及算法只利用了图像像素本身的特征并没有考虑像素的邻域信息等问题,将其与小波变换相结合应用到自制短切碳纤维木质复合材料的微观研究中。该改进FCM算法利用小波变换确定聚类中心与改进欧氏距离计算函数,再利用邻域像素的信息改进像素特征值,从而实现优化FCM的目标函数计算方式。通过实验分析与对比,该改进算法图像分割边缘清晰与抑制噪声能力强,同时算法在运行时间与迭代次数上均有所减少,具有一定准确性与可靠性。     

ε-聚赖氨酸在玉米汁中的应用

ε-聚赖氨酸是一种天然微生物代谢产品,是由人体必需氨基酸赖氨酸残基通过a-羟基和ε-氨基形成酰胺键连接而成的均聚物,由25-35个赖氨酸单体组成。ε-聚赖氨酸具有抑菌谱广、杀菌能力强、易溶于水、热稳定性好、抑菌活性不受pH值影0向等优点而受到各国的关注。现已广泛应用于米饭、糕点、面点、酱类、饮料、洒类、肉制品、罐头等的防腐保鲜。目前浙江银象生物工程有限公司已实现了ε-聚赖氨酸的工业化生产,成为国内首家实现ε-聚赖氨酸工业化生产的厂家。     

基于密度最大值聚类的奶酪风味鉴别模型

针对传统的食品风味鉴别方法具有的局限性、食品种类比较单一,并不能覆盖所有食品类别,主成分分析方法在奶酪样本上表现效果较差,无法准确快速区分不同风味奶酪,本研究基于密度最大值聚类算法提出了一种鉴别奶酪风味的模型,该模型首先用改进的密度最大值聚类算法对风味物质进行聚类,自动获取聚类中心形成具有风味表征的特征,然后利用支持向量机算法进行分类鉴别。结果表明,通过改进的密度最大值聚类算法得到风味物质特征后,分类器模型更加稳健,均适用于切达奶酪和马苏里拉奶酪的类别鉴定,准确率均在95%以上,高于原始特征、DBSCAN聚类特征、K-means聚类特征的分类结果。     

基于聚类算法和色彩网络的蝴蝶色彩分析及应用

蝴蝶蕴含着独特的自然美,是设计师重要的设计灵感来源。为厘清蝴蝶色彩及其搭配规律,更好地进行蝴蝶色彩重用,基于聚类算法和色彩网络对蝴蝶色彩进行分析和应用研究。首先,利用K-means聚类算法对单只蝴蝶8种不同角度的图像进行2次色彩聚类和主色提取,构建110只蝴蝶的6色标准色卡。其次,对蝴蝶标准色卡再次聚类,结合蝴蝶色彩实际搭配关系,构建了包含20个网络节点的蝴蝶色彩网络模型,并通过4个蝴蝶样本对色彩网络模型的可靠性进行验证。最后,以丝巾纹样配色设计作为应用案例,验证标准色卡和色彩网络模型作为配色辅助工具的可操作性和应用价值。案例表明,蝴蝶标准色卡和色彩网络模型可以为设计师在色彩设计过程中提供有效的辅助和支持。     

基于多特征融合图像分析技术的羊毛与羊绒鉴别

为快速准确地鉴别羊毛与羊绒,提出一种基于多特征融合的鉴别方法。首先利用光学显微镜及数码相机对羊毛与羊绒纤维进行图像采集,然后分别采用2种类型的预处理操作得到单根纤维图像与去除背景的纤维二值图像;其次通过灰度共生矩阵算法提取第1类预处理后羊毛与羊绒纤维图像的纹理特征参数,基于中轴线算法提取第2类预处理后纤维图像的直径形态特征参数;最后将纹理及形态特征参数融合成多维数组并通过K均值算法进行聚类识别。实验结果显示,与传统利用单一纤维特征提取算法进行识别的方法相比,该算法平均识别率可达到95.25%,识别率较高,可用于羊毛与羊绒纤维的自动分类识别。     

k-means聚类算法在织物疵点检测中的应用

为检测常见织物的各种疵点,提出一种基于k-means聚类的织物疵点检测方法。对采集的图像进行中值滤波,以减轻纹理对疵点检测的影响,并利用方差采样算法增强织物的疵点特征信息;利用k-means聚类算法对方差采样后的图像进行处理,使得疵点区域被划分一类,非疵点区域划分为一类。最后经过二值化,分割出疵点。实验证明,该方法能快速、准确的检测出织物的常见疵点。与其他方法相比,文章提出的算法采用聚类思想对织物疵点进行分割,不需要利用正常织物图像进行阈值计算;另外经过方差采样算法处理后疵点信息明显增强,使得疵点信息与纹理明显不同,从而使聚类更为准确,增加了检测的准确度。     

基于代谢活性的ε-聚赖氨酸杀菌动力学

ε-聚赖氨酸是一种高安全性天然食品防腐剂,具有抑菌谱广、抑菌活性强的特点。该研究以大肠杆菌（Escherichia coli）和枯草芽孢杆菌（Bacillus subtilis）为指标菌,利用荧光探针5-氰基-2,3-二甲苯基氯化四唑检测菌体细胞在ε-聚赖氨酸处理前后的代谢活性,计算相对活性,考察ε-聚赖氨酸的杀菌效果,利用Linear和Weibull模型拟合杀菌动力学过程。结果表明：液体体系条件下低质量分数（0.005%）ε-聚赖氨酸与大肠杆菌作用15 min,活性下降至起始活性的86.33%,120 min时为73.44%;ε-聚赖氨酸作用质量分数为0.025%时,处理15 min时活性为起始活性的21.06%,120 min时仅为3.61%。ε-聚赖氨酸杀灭枯草芽孢杆菌的效果与大肠杆菌相近。动力学分析显示ε-聚赖氨酸杀菌效果的Linear模型拟合度低,R2值低于0.70,Weibull模型在测试质量分数范围可精确拟合杀菌动力学过程,R2值大于0.97。该研究表明基于细胞代谢活性指标,Weibull模型可准确拟合ε-聚赖氨酸杀菌动力学过程。     

一种基于SOM改进的PCM聚类方法

针对PCM算法在聚类计算过程中存在的初始聚类中心随机选取,聚类结果可能陷入局部最优解等问题,提出一种改进策略.利用SOM网络对数据进行初步处理,得到PCM算法的初始聚类中心,使得算法聚类效果得到明显提升.