基于最优划分的K-Means初如聚类中心选取算法

针对传统K-Means算法聚类过程中,聚类数目k值难以准确预设和随机选取初始聚类中心造成聚类精度及效率降低等问题,提出一种基于最优划分的K-Means初始聚类中心选取算法,该算法利用直方图方法将数据样本空间进行最优划分,依据数据样本自身分布特点确定K-Means算法的初始聚类中心,无需预设k值,减少了算法结果对参数的依赖,提高算法运算效率及准确率.实验结果表明,利用该算法改进的K-Means算法,运算时间明显减少,其聚类结果准确率以及算法效率均得到显著提高.     

机器人三维定位系统中关键技术的研究

深入研究了机器人三维定位系统中的扫描匹配及位置信息空间定位技术,提出了一种基于ICP的高效扫描匹配算法。该算法采用滤波,特征提取及非线性迭代的方法在保持扫描匹配的精确度的同时大幅减少了计算时间,弥补了传统ICP算法效率较低以及可能收敛不到全局最优解的缺陷。然后使用在改进算法的基础上引入倾角传感器的方法解决了传统机器人定位系统中存在的不易获取地面坡度信息以及恢复出的机器人空间位置精度较低的问题。     

三分支空间变换注意力机制的图像匹配算法

对于待匹配图像具有旋转、缩放、平移等空间几何变换的图像模板匹配任务,现有的算法耗时较长,且准确率不高。针对该问题提出一种高准确率、低运算成本的图像匹配算法,首先根据中心点与邻域点的像素差来寻找特征点,进行快速特征检测,然后以这些特征点为中心,并以快速特征检测所计算出来的旋转角截取出一定尺寸的图像块。再将这些图像块输入空间变换注意力模块的特征描述子提取网络,最后使用K最邻近算法计算两张待匹配图像特征描述子中匹配的特征。特征描述子提取网络中引入了空间变换注意力模块,网络在训练的时候着重对空间信息进行学习,故所提算法提高了具有较大空间变化图像匹配任务的准确率。在匹配时间方面,所提的匹配算法仅次于检测和匹配都使用快速特征检测算法的方法。在匹配准确率方面,所提算法匹配的准确率远远优于实验所比较的其他算法。     

面向多类别分类问题的子抽样主动学习方法

由于传统主动学习方法的计算量随着问题规模的增大呈指数增长, 因此很难应用于大规模多类数据分类任务中。为解决该问题, 设计了一种基于子抽样的主动学习(subsampling-based active learning, SBAL)算法。该算法将无监督聚类算法与传统主动学习方法整合, 在二者之间增加了子抽样操作, 该操作能够显著降低算法的时间复杂度, 在保证实验准确率的基础上减少实验耗时, 从而更加高效地处理大规模数据集的分类问题。实验结果显示, 采用SBAL算法的实验性能优于传统主动学习算法, 证明了所提算法可以突破传统主动学习方法不能处理大规模数据集多类别分类问题的局限性。     

基于改进OMP算法的稀疏目标微波关联成像方法

利用稀疏重构类方法进行雷达微波关联成像时, 传统的正交匹配追踪(orthogonal matching pursuit, OMP)算法在每一次迭代过程中均需要求解目标函数的最小二乘解, 导致成像算法计算复杂度随矩阵规模和迭代次数增加而急剧攀升。针对此问题, 结合频率捷变思想, 提出了一种改进OMP算法的稀疏目标微波关联成像方法。首先, 阐明了微波关联成像机理, 并构建了微波关联成像信号模型; 然后, 利用共轭梯度法对OMP算法中的最小二乘求解步骤进行了改进, 并分析了改进后算法的计算量; 最后, 通过与最小二乘成像方法、匹配滤波成像方法和基于传统OMP稀疏重构的成像方法进行计算机对比仿真实验, 证明了本文算法的正确性与优越性。     

线束端子压接后外观缺陷的视觉检测算法研究

针对线束端子的缺陷检测效率低、漏检率高等问题，提出一种基于机器视觉的图像检测方法：分析线束端子3个主要部位的5种典型缺陷模式，并定义了缺陷评价参数；设计了定位基准拟合算法、待检部位自适应分割算法和缺陷特征参数计算方法；给出了各类外观缺陷的判断准则。实验结果表明，检测算法适用于各单类、多类混合缺陷模式，综合漏检率和误检率较低，准确率和实时性较高，能够满足实际应用要求。     

基于序列图像匹配的车载自主测速方法

针对常见车速测量方法存在测速准确性较低、自主性较差和灵活性不足等问题,建立了车载自主测速模型,将车辆的测速问题转化为序列图像的匹配问题;结合车辆运行状态的约束条件和序列图像的成像特点,依次从特征提取、相似性度量、搜索空间和搜索策略等4个方面对序列图像匹配方法进行分析,并设计序列图像匹配算法。仿真结果表明,采用基于二值图像的匹配方法和采用平均绝对误差作为相似性度量函数,保证了较低的运算复杂度,提高了运算效率;提出的图像匹配算法具有较高的匹配精度和匹配速度。最后通过载车试验验证了所提方法的整体有效性和可靠性。     

自适应特征熵权模糊C均值聚类算法的研究

特征权重算法对聚类效果有很大的影响,而传统的特征权重算法忽略了特征项在类间和类内的分布情况.因此,研究聚类后样本特征属性表现的有序性程度对聚类结果的影响,分析聚类后样本特征属性的分布情况,提出了一种自适应特征熵权模糊C均值聚类算法.该算法以聚类后的特征熵和信息增益作为准则调整特征权值,通过聚类与权重更新逐步迭代优化,直至获得最优的特征权值.实验表明,自适应特征熵权模糊C均值聚类算法能够有效地区分各个特征属性对聚类效果的重要程度;较于其它加权模糊C均值聚类算法,该算法能够得到更高的聚类准确率.     

面向场景的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一。用户相似性度量方法是影响推荐算法准确率高低的关键因素,针对传统相似性度量方法存在的不足,利用云模型在定性知识表示以及定性、定量知识转换时的桥梁作用,提出一种在知识层面比较用户相似度的方法,克服了传统基于向量的相似度比较方法严格匹配对象属性的不足。进而以该方法为核心,提出一种面向场景的协同过滤推荐算法,该算法能够充分利用项目的分类信息,避免了传统算法把用户的整体打分作为单个向量的弊端。实验结果表明,算法可以在用户评分数据极端稀疏的情况下,仍能取得较高的推荐质量。     

无人机地标匹配定位技术研究

从模式识别的观点给出地标匹配算法的数学模型。分析了影响匹配算法性能的相关因素。把归一化相关景象匹配法引入到无人机地标匹配中。仿真实验结果表明 :在信噪比较低的情况下 ,此算法能满足地标定位要求 ,并且在景象匹配搜索中应用遗传算法大大减少了计算机的运算量 ,提高了地标匹配的实时性     

有人/无人机任务联盟分阶段形成方法

针对有人/无人机任务联盟形成问题,采取任务聚类-平台匹配的分阶段形成策略。首先,给出问题要素定义,并进行相关数学描述。其次,基于对问题的分析,以最小化任务距离和为优化目标建立任务聚类的数学模型;以最小化指挥决策能力代价和资源能力代价为优化目标建立平台匹配的数学模型。然后,对任务聚类问题和平台匹配问题,分别采用优选初始簇中心的贪心聚类算法和多目标模糊人工蜂群算法进行求解;最后,通过仿真案例下的3组实验,验证了提出方法的有效性和优越性。     

模糊C均值聚类区间型模糊化参数模型

针对经典模糊C均值聚类算法中模糊加权指数对聚类的影响及其取值范围不确定性问题,提出了一种区间型模糊加权指数的设计模型。分析该模型设计的理论依据及对聚类结果的影响,推导出包括模糊隶属度划分矩阵、模糊聚类中心等基于该模型的模糊化参数表示方法。理论分析和实验证明,区间型模糊化参数模型的设计在基于模糊划分的数据处理中取得了很好的效果。     

基于模糊投影寻踪聚类的洪灾评估模型

针对洪水灾害样本集的复杂性、随机性以及差异性,本文将模糊聚类迭代理论与投影寻踪技术进行互补融合,构建了模糊投影寻踪聚类模型.该模型采用投影值标准差和投影值欧氏距离平方和来构造投影指标函数,避免了传统投影寻踪模型由于经验性选取密度窗宽导致过于主观的问题;将高维数据低维化后进行模糊聚类运算,再通过对最优投影方向的寻优进行投影寻踪聚类运算,降低了模糊聚类迭代的运算量,实现了两种模型的双重迭代聚类.误差分析及聚类有效性评价表明,互补融合后模糊聚类与投影寻踪聚类的双重迭代聚类使得聚类精度和效果也得到了较大提高;此外,除优化算法初始化参数外,模型无需预设其它参数,也不依赖于随机训练样本,可客观依据历史样本集内在规律来进行洪灾聚类评估.实例研究和方法比较表明,提出的模型计算简洁,且能有效处理洪灾评估中的随机、模糊等主客观不确定性,能够为洪灾风险管理提供科学的决策支撑.     

一种基于数字地球的运动模型与地形匹配方法

三维模型与地形的匹配问题涉及到模型控制矩阵与模型与地形接触点高程值的计算。其中接触点高程值的计算问题与地形渲染采取的数据组织和绘制算法密切相关,采用规则网格构建地形的数字高程模型,在此基础上提出了弱网格实现数据结构的地形匹配算法。首先为三维模型在三维GIS视景中建立了数学控制匹配模型,然后基于规则网格像素坐标系计算模型与地形接触点的高程值。方法不考虑规则网格的具体绘制实现技术,在采用规则网格的地形下具有较强的适用性。     

模糊模型辨识中模糊聚类方法应用分析

模糊聚类算法已广泛应用于模式识别、数据聚类以及从数据中提取模糊规则的过程。介绍了基于模糊聚类的非线性系统模糊辨识方法 ,并通过著名的Box和Jenkins煤气炉数据仿真实例详细研究了模型性能指标与输入变量及模糊聚类数之间的关系 ,指出了应用模糊聚类方法的优势与不足。对于模糊建模中正确应用模糊聚类方法具有重要指导意义     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

基于模糊聚类的信息不完全确定的多准则分类方法

针对权系数信息不完全确定且有训练集的多准则分类决策问题,提出了一种基于模糊聚类的分类方法。该方法在考虑对训练集分类的基础上,结合不完全确定的准则权系数信息等建立模糊聚类模型,通过遗传算法求解所得优化模型,得出准则权系数和聚类中心,计算方案属于各类别的隶属度,进而得到整个方案集的分类。实例说明了该方法的有效性和可行性。     

多变量系统模糊动态模型的辨识

介绍了一种新型的基于模糊神经网络的多变量模糊动态模型的辨识方法 ,该方法是通过将输入空间进行直接划分 ,而不是在输入空间的每一维上进行划分来得到模糊规则的。这样所形成的隶属函数为多维隶属函数 ,并使模糊规则的数目大为减少。在模糊聚类算法的基础上 ,提出了一个衡量聚类有效性的函数 ,以确定模糊规则的数目。以二级倒立摆系统为应用背景 ,取得了较好的辨识效果。     

电子中介中具有模糊信息且需求不可分的多属性商品交易匹配问题

以B2C型电子中介中买卖双方商品交易为实际背景, 研究了模糊信息且需求不可分情形下多属性商品交易的优化匹配问题. 首先, 在给出问题描述的基础上, 建立了电子中介中具有模糊信息且需求不可分的多属性商品交易匹配模型, 并从买卖双方视角提出了新的基于改进模糊信息公理的交易匹配度计算方法. 模型属于一类带约束的非线性多目标通用指派问题, 其优化目标是实现买卖双方交易匹配度和交易数量的最大化. 接着, 针对模型的特点和NP-hard性质, 设计了一种新颖的多目标离散差分进化算法对之进行求解. 最后, 通过多个数值算例的计算并与相关算法进行对比分析, 说明了模型的可行性和算法的有效性.     

基于模糊集的神经网络景象匹配算法

将神经网络思想引入到景象匹配,提出了基于模糊集的神经网络景象匹配算法。该算法将图像模糊集作为特征空间,尝试了在模糊域中采用神经网络学习算法进行精确寻优。实验结果表明,设计的算法不但较好的满足了景象匹配系统对算法的性能要求,而且比传统算法具有更高的抗干扰能力。