自适应聚类结合迭代拟合的多圆检测算法

本文提出了一种自适应聚类结合迭代拟合新的多圆检测算法.使用自适应聚类结合迭代拟合的检测方法增强了算法鲁棒性而且避免边缘曲线连接性的要求,因此本文提出的算法对部分圆以及非连续曲线圆都具有较好的检测效果.自适应聚类操作考虑多点的分布,提高算法速度的同时避免了虚假检测的存在.最后给出的不同方法实验结果性能比较表明本文提出的算法是合理高效的,在计算机视觉领域具有一定的应用前景.     

面向云制造的资源集群聚类方法研究

针对云制造平台海量多样的服务资源分类界限模糊的问题，分析了云服务和制造资源之间的关系，提出云制造下混合式资源服务聚集模型。此外，文章基于k-means聚类算法建立了聚类有效性评估函数；针对k-means聚类算法对初始聚簇中心敏感易陷入局部最优的缺点，引入蛙跳算法确定初始聚簇中心，利用反向解扩大初始蛙群的搜索范围，结合最优解均值改进族群最差蛙的优化，提高族群的信息共享能力，结合改进后的蛙跳算法和k-means迭代，提出一种基于蛙跳算法改进的k-means聚类算法。最后，以两种数据集和云平台上同类机床资源为例，验证了所提聚类算法的有效性和可行性。     

散乱点集拓扑邻域均值逆向漂移查询算法

为获取散乱点集的拓扑邻域数据,提出一种基于均值逆向漂移的自适应迭代搜索查询算法,基于R*树动态空间索引,采用动态扩展空心球k邻域查询算法快速获取目标样点的拓扑邻域参考数据,根据邻域查询与点集密度分布的关系,采用核密度估计描述点集的分布规律,利用均值漂移算法计算得到能够反映散乱点集局部分布特征的均值漂移矢量和均值点,将邻域搜索区域沿逆向均值漂移矢量移动进行邻域查询并实时更新样点的拓扑邻域参考数据,进而完成拓扑邻域查询的均值逆向漂移迭代计算,最终实现样点拓扑邻域数据的自适应搜索查询。试验表明,该算法可快速获取复杂型面均匀或非均匀采样点集的邻域数据,查询结果包含Voronoi邻域及其他有效邻域参考数据,能更好地反映散乱点集局部型面特征。     

融合密度峰值和空间邻域信息的FCM聚类算法

针对模糊C均值(FCM)算法聚类结果对初始中心点敏感以及聚类过程中没有考虑到不同密度样本点在聚类过程中影响力不同的缺陷,提出了一种密度峰值和样本点空间邻域信息优化的FCM算法。改进后的算法选择数据集中具有局部密度峰值的样本点或者局部密度较大的样本点作为初始聚类中心,充分考虑样本点邻域之间的关系,增加局部密度值大的样本点在聚类中心迭代计算过程中的影响力,从而达到优化FCM算法聚类效果的目的。理论分析和在人造数据集、加州大学欧文分校(UCI)机器学习数据库中真实数据上的实验结果表明,改进后算法的抗噪性、聚类效果和全局收敛能力均优于传统FCM算法。     

一种基于几何特征的列车集尘器形状匹配算法

针对列车集尘器定位不准确的问题,提出了一种基于几何特征的形状匹配算法。该算法首先对轮廓点进行采样,基于极半径、局部曲率确定关键点的初始位置及点集的映射关系,然后以形心为基准,生成以角度和尺度为几何特征的双重描述子,并对其作标准量化处理。最后使用改进的曼哈顿距离计算描述子的相似性。实验结果表明,该形状匹配算法几乎不受伸缩、旋转、平移等几何变换的影响,具有一定的适应性和鲁棒性。     

一种优化的K-means聚类中心算法研究

传统的K-means算法对初始聚类中心敏感,不同的初始输入随目标准则函数进行不同次数的迭代,聚类结果波动大,容易陷入局部最优.针对K-means存在的问题,本文提出以簇内相似度最高的具有高密度分布的点为初始聚类中心的算法,通过聚类评价函数提高其聚类质量.用标准的UCI数据库进行实验,结果表明,在聚类K值给定的情况下,改进后的方法较传统K-means方法具有更好的聚类效果,其准确率与稳定性得到改善.     

基于3维点云欧氏聚类和RANSAC边界拟合的目标物体尺寸和方位识别

目标物体尺寸和方位识别是移动机器人在未知环境下实现自主搬运的关键技术,主要难点是如何从混有地面和周边环境信息的3维点云数据中提取物体信息,并准确识别其方位和尺寸。常用的方法是通过3维点云建立物体包围盒,但是现有的基于PCA(主成分分析)或基于边缘点云提取的包围盒建立方法对物体边缘点云噪声比较敏感。文中主要针对室内搬运场景中方形箱式物体,提出1种基于3维点云欧氏聚类和RANSAC(随机采样一致性)边界拟合的物体尺寸和方位识别算法。首先,采用点云截断、体素滤波降采样和离群点移除对数据进行预处理,然后采用基于K-D树的快速聚类算法进行物体与物体之间的分割,接着将分割后物体3维点云进行2维投影。由于投影后物体2维点云边缘点密度远高于内部点云密度,采用RANSAC算法对边缘点云进行直线拟合。该直线能够近似物体边缘点云分布的期望均值,受物体边缘点云噪声的影响较小。实验表明该算法精度较高、速度较快、鲁棒性好,可用于移动机器人物体搬运作业等领域。     

基于HALCON的锥形表面小孔测量

为解决等离子切割保护帽表面小孔尺寸的测量问题,提出一种区域分割与RANSAC算法联合拟合圆的方法。首先提取出小孔区域,再用二阶高斯函数导数计算出小孔的边缘点位置。选用矩形分割法对边缘点进行阵列分割,以矩形区域中两个边缘点连线求半径,生成一个假定的圆模型方程,再将其他边缘点代入圆模型中,判断该点是否为圆模型的解,运用RANSAC算法迭代计算出最优圆模型,最后使用HALCON软件完成拟合测量。实验结果表明,该测量方法能更准确地识别边缘轮廓,与最小二乘法对比,拟合圆弧更加接近实际轮廓。在测量中使用标定板和游标卡尺进行标定,适合于实际检测。     

均值漂移去噪算法的研究

逆向工程中对实体扫描时,由于会受到各种因素的影响,不可避免地在真实数据点中混有噪声点,为后续的曲面重构和曲面拟合等带来困难.提出应用均值漂移算法,在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点,核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面,将每一个采样点漂移到密度函数的局部最大值点,使点云曲面收敛为一个稳定的三维数字模型.通过实验结果表明能有效剔除噪声点.     

结合密度峰聚类的K均值图像分割算法

针对K均值聚类算法在图像分割应用中的不足,结合密度峰聚类算法对原有算法进行改进,得到了一种图像分割效果较好的改进K均值算法。K均值算法需要人工指定聚类中心数目,并且聚类中心的随机初始化对最终的图像分割结果有很大影响。针对以上缺点,对K均值算法进行改进,通过密度峰聚类算法自动确定了图像分割的聚类中心数目和较为准确的初始聚类中心。为了衡量色差在人眼中的感知情况,在算法中引入了NBS距离作为距离测度。实验结果表明,改进后的图像分割算法在分割图像时具有稳定的性能和较好的效果。     

基于模糊技术的制造单元构建方法研究

针对制造单元构建的问题特征，提出基于模糊C均值逻辑的制造单元构建算法。采用改进的减法聚类法产生初始聚类中心，防止陷入局部优化；提出制造单元构建专用的距离函数测定零件的相似性，避免欧几里德距离函数造成的对零件的错误聚类；采用最优迭代方案选择算法，避免因停止参数选择不当造成算法最终迭代方案不可行。通过对10组文献数据和90组随机产生数据的大规模测试和比较分析，表明了算法性能的优越性。     

基于协方差矩阵的轮廓曲线拟合算法研究

针对工业视觉领域中,包含直线、圆弧特征的零件轮廓尺寸的检测,提出了一种基于协方差矩阵的轮廓曲线拟合算法.该算法首先采用8-连通法提取轮廓边缘数据,并排序成有序点集;然后计算轮廓曲线最小包围盒,根据已知曲线类型,初步确定特征点范围;其次基于协方差矩阵的特征值分析自适应地确定特征点的支撑区域,精确提取特征点;最后采用最小二乘法拟合曲线方程,重建轮廓曲线.对具体的零件进行实验分析,结果表明,采用基于协方差矩阵的轮廓曲线拟合算法实用性强,测量精度高,对在线视觉检测具有重要意义.     

应用改进的粒子群优化模糊聚类实现点云数据的区域分割

为实现点云数据的区域划分,提出一种基于改进的粒子群优化与模糊C-均值聚类的混合算法(SPSO-FCM算法)。针对在点云聚类过程中易过早捕获局部极小值的问题,算法首先用改进的粒子群算法——社会粒子群优化算法,对种群进行初始化,通过为每一个粒子设置不同的跟随阈值,来维护种群中个体多样性,加深对种群全局搜索的程度,避免陷入局部极小值;随后,设置种群中每个粒子当前最优位置和初始种群的最优位置,更新自由粒子的位置和跟随粒子的速度和位置;最后,采用模糊C-均值聚类算法求解隶属度矩阵,确定适应值函数,更新所有粒子的最优位置,并判断粒子和种群的位置优越性,得到准确的聚类中心,实现对点云数据的区域划分。以曲面复杂度不一致的点云模型为例对算法进行验证,探讨SPSO-FCM聚类算法的可行性,并与FCM聚类算法、遗传FCM聚类算法进行比对。实验结果显示,SPSOFCM聚类算法较其它两种算法,收敛速度快,迭代次数少,聚类准确,边界区域分割清晰,特别是对型面复杂、点云数据较多的机械零部件点云数据进行分割时,能得到更好的分割结果。     

基于RANSAC的圆拟合算法在螺纹孔检测中的应用

在视觉检测过程中,针对多残缺、多噪声圆周的拟合精度不佳的问题,提出了一种基于RANSAC的圆拟合算法。首先对图像进行边缘检测,使用基于Scharr算子的Canny算法可获得高质量的边缘分布图;使用霍夫梯度法在边缘分布图中对目标圆弧进行粗定位,并提取包含目标圆弧的点集;提取到的点集中含有大量无关边缘像素点,使用RANSAC算法剔除点集中的异常数据,得到有效样本数据构成的待拟合圆周点集;最后采用LIN算法对待拟合圆周点集进行拟合,得出最终的拟合结果。算法在椒盐噪声和曲线噪声抗干扰实验中表现优异,有着较强的抗干扰能力。已经成功应用到了螺纹孔圆周的拟合,精度和实时性均可满足实际生产要求。     

双阶段帕金森病语音聚类包络卷积稀疏迁移学习算法

帕金森病(PD)语音识别算法研究对于其及时诊疗具有重要意义,但现有 PD 语音识别算法面临小样本数据量问题挑 战。 针对问题,本文提出双面双阶段均值聚类包络和卷积稀疏迁移学习算法。 在双阶段学习方面,首先基于源数据集训练多组 卷积核,然后通过中间集得到最优卷积核并对目标集进行编码。 在深度样本聚类包络方面,首先设计迭代均值聚类算法构建深 度样本空间;然后进行样本特征同时选择并训练分类器模型;最后对不同样本空间的分类结果进行融合。 实验选取代表性的 PD 语音数据集进行验证。 实验结果表明,本文算法创新部分有效,与 10 多个经典和最新相关文献算法相比取得了显著改进, 准确率达 97. 8% 。 此外,本文算法的时间复杂度不高,满足临床应用要求。     

基于ISFLA的K均值聚类算法

针对K均值聚类算法和基于混合蛙跳( Shuffled Frog - Leaping Algorithm,SFLA)的K均值聚类算法的一些缺点,提出了基于改进混合蛙跳(Improved Shuffled Frog- Leaping Algorithm,ISFLA)的K均值聚类算法.该算法首先将生物学中吸引排斥机制应用在S...     

基于人工萤火虫的模糊聚类算法研究

模糊C-均值(FCM)聚类算法是数据挖掘中常用的方法之一,但往往受到初始聚类中心影响,收敛结果易陷入局部极小值的问题。该文提出了一种基于人工萤火虫(GSO)的模糊聚类算法(GSFM)。该算法引入了全局寻优能力强的人工萤火虫算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点。实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

自适应天牛须优化与K均值聚类的图像分割算法研究

在机器识别中,图像分割是重要的一个步骤,传统分割手段存在一定缺陷。针对传统K均值聚类分割的初始聚类中心敏感的缺陷进行了优化,利用自适应天牛须优化算法,避免了这一问题。通过实验结果表明,该算法(ABASK)对图像进行分割,既可以保证图像轮廓的分割,同时还可以更多地保留图像细节。     

模糊聚类协作区域主动轮廓模型医学图像分割

医学图像分割的研究对于医学影像发展具有重要意义.区域主动轮廓模型(CV)易受目标和背景区域面积比的影响,且对初始位置敏感.针对上述现象,本文提出一种模糊C-均值聚类(FCM)协作改进CV模型的图像分割算法,即FCM-CV算法.首先在CV模型中增加能量权值函数消除面积比的影响,然后用FCM粗分割结果指导设定改进CV模型零水平集的初始位置.实验结果表明,与CV模型和局部二值拟合模型(LBF)相比,FCM-CV算法消除了面积比对分割精度和效率的影响,具有更好的数值稳定性,且对初始位置不敏感,提高了图像分割的准确性.