基于改进蚁群聚类的入侵检测算法

针对蚁群聚类算法存在容易出现停滞现象和过早地收敛于局部最优解的问题,提出一种改进的蚁群聚类入侵检测算法.通过改进蚂蚁搜索解的方法,来改善蚁群算法易于过早地收敛于非最优解的缺陷.使用KDD99作为入侵检测数据集进行仿真实验,结果表明,改进的蚁群聚类算法能有效提高入侵检测的检测率和降低误检率.     

基于半监督聚类理论的MQAM信号的盲识别

在MQAM信号的调制识别中,传统聚类算法聚类效果差,误差平方和函数出现起伏且收敛慢.对此问题,提出由标记的样本点来指导隶属度及聚类中心的更新的半监督聚类理论重构MQAM信号星座图的方法.通过分析星座图,提出了基于星座图圆半径的识别方法,完成了对不同阶数MQAM信号调制方式的识别.仿真结果表明该方法提高了聚类准确度,误差平方和函数曲线平滑,且MQAM信号的识别率在90％以上.     

一种改进的模糊C均值聚类算法

由于现有模糊C-均值聚类算法固有的局限性,本文提出了一种改进的模糊C-均值聚类算法.首先用概率密度函数来确定初始聚类中心点和聚类数,其次用竞争学习思想提出使对手增加抑制因子来修改隶属度得到加快收敛速度的效果,最后提出用一个类内差异与类间差异兼备的新的有效性指标来作为迭代条件的目标函数.通过实验获取参数的最优取值范围,通过与经典模糊C-均值聚类算法的比较,证明了该改进算法不仅加快了收敛速度,而且在聚类结果的质量上有一定程度的提高.     

一种新的自学习特征映射算法研究

为了有效地提高矢量量化(VQ)码书的性能,提出了一种新的自学习特征映射(SLM)算法,并应用到图像VQ中,实验表明,与自组织特征映射(SOM)算法相比,SLM算法具有聚类特性好和峰峰信噪比高等优点,是一种非常有前途的码书设计算法.     

基于遗传算法的模糊聚类方法

针对模糊c 均值算法容易收敛于局部极小点的缺陷 ,将遗传算法应用于模糊c 均值算法的优化计算中 .算法采用实数编码 ,提高了试验精度 .实验证明基于遗传算法的模糊聚类方法能够在一定程度上克服初值的影响 ,跳出局部极小点 ,在大样本的聚类方面有较大的优势 .     

基于邻域影响的改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一。但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解,在分析K-均值算法和粒子群算法的基础上,提出了一种基于邻域影响的改进的粒子群算法的聚类算法,通过对粒子群算法的改进来优化与K-均值结合的聚类算法。该算法将局部搜索能力强的K-均值算法和全局搜索能力强的粒子群算法结合,提高了K-均值算法的局部搜索能力、加快收敛速度,有效阻止了早熟现象的发生,达到那些离群的孤立点。实验表明该聚类算法有更好的收敛效果,一方面聚类所用的时间更短,另一方面聚类的准确率更高。     

一种噪声启发式聚类算法

启发式聚类算法的搜索空间中布满了局部极小值"陷阱",从而使得算法容易过早收敛而无法获得高质量聚类结果.文章给出了一种噪声启发式聚类算法NHCA (Noising Heuristic Clustering Algorithm),该算法在搜索空间中增加一组由强至弱的噪声来扩大启发式搜索的局部范围,以保持搜索空间的多样性,达到避免局部极小值影响和提高聚类质量的目的.大量实验结果表明,噪声法对提高启发式聚类算法质量是十分有效的.     

改进k均值聚类算法在网络入侵检测中的应用研究

针对k-means算法事先必须获知聚类数目以及难以确定初始中心的缺点, 提出了一种改进的k-means聚类算法.改进后的算法首先使用了复合形和粒子群算法来选取聚类的初始中心点,然后使用k-means算法快速收敛获取聚类结果.实验表明:把改进后的算法用于网络入侵检测系统中,可以提高不需指导的异常检测的检测率,降低误检率.     

基于ReliefF和聚类的特征选择方法及其在无线电信号识别中的应用

无线电信号识别在无线电监测中占有重要地位,为了提高信号识别率,针对C波段信号特征数据的特点,提出一种基于ReliefF和聚类的特征选择方法.该算法首先用ReliefF算法去除与分类不相关的特征,再对余下的特征根据相关度强弱进行特征聚类,最后根据特征权重大小和相关度强弱删除冗余特征,选出代表性特征.实验结果表明,该算法有效地减少了数据维数,并且提高了信号识别率.     

基于聚类与神经网络的无线通信联合调制识别新方法

针对现有基于聚类算法的信号调制识别在低信噪比时识别率低的缺点,文中采用聚类算法提取信号特征参数,通过变梯度Polak-Ribiere BP修正算法对神经网络进行训练,以提高收敛速度,改善在低信噪比条件下网络识别性能,实现对基于星座图调制方式信号的调制识别,仿真结果表明,在低信噪比条件下,调制识别率和单独采用聚类算法或基于BP算法的神经网络识别时比较提高30%以上,在信噪比为4d B条件下识别率可达到90%,且系统易于实现,在信号调制识别中具有广泛的应用前景。     

基于光滑化方法的支持向量回归算法

支持向量机是在统计学习理论的基础上发展起来的新一代学习算法,由于其出色的泛化能力,在文本分类、手写识别、数据挖掘、生物信息学等领域中获得了较好的应用.提出了一种光滑支持向量回归算法,实验结果表明,它相对于其它回归训练方法有较快的收敛速度和较高的拟合精度.     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息，提高变压器内部局部放电类型的识别率，文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点，设计四种局部放电缺陷类型，在实验室搭建变压器局部放电实验检测平台，通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图；然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量；将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明，小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.     

水波中心扩散智能优化算法

基于水波扩散效应，提出了一种水波中心扩散算法(water wave center diffusion,WWCD)。着眼解决函数极值优化问题，以某个局部最优解为中心点，由近至远、由密至疏产生多组扩散解进行迭代寻优。通过合理设计扩散解的扩散比例、选择比例和跳跃比例等参数，提高算法的全局寻优效率，对比WWCD与6种智能优化算法极值优化问题的仿真结果，验证了前者在全局求解精度和收敛速度方面的优越性。聚焦雷达信号识别问题，WWCD优化支持向量机(support vector machine,SVM)关键参数进行雷达信号识别实验。仿真结果表明，通过本算法优化SVM关键参数进行雷达信号识别，可明显提高识别效率。     

径向基神经网络算法在车牌字符识别中的应用

提出一种基于径向基网络的汽车车牌字符识别算法.在预处理阶段,采用灰度化、自适应阈值分割去除图像噪声并增强图像对比度;在字符分割阶段,采用极限元素位置确定法实现独立字符分割;在字符识别阶段,利用自行构建的字符子块图像库对径向基神经网络进行训练.选取基于反向传播(BP)神经网络的字符识别算法和基于支持向量机(SVM)的字符识别算法与文中方法进行比较.实验结果表明:文中方法在识别准确率上具有明显优势,更适用于汽车车牌的字符识别.     

水声信号的调制方式识别

研究了不同水声信道环境下不同调制方式的水声信号识别算法。该算法利用双谱计算信号的双谱矩阵,并对双谱矩阵进行特征值特征向量分解,将分解得到的最大特征值对应的特征向量作为特征量。文中选取不同水声信道传输的样本信号计算其特征量,将待识别信号的特征量与样本信号的特征量做内积运算,将最大内积值对应的调制方式作为待识别信号的调制方式。实验仿真结果表明,该算法较好地实现了不同信道环境下的水声信号分类识别,在高信噪比条件下能达到90%以上的识别率。     

基于模糊-神经网络的肤色像素检测算法

 肤色像素检测技术是成人图像识别、人脸识别等与人体相关的图像识别系统的基础和重要组成部分。为了提高肤色像素检测的准确度,本文提出一种模糊理论与FP神经网络（Forward Propagation Neural Network）相结合的肤色像素检测算法。算法首先通过模糊理论和直觉模糊理论提取待识别像素的颜色特征,构成特征向量,其中包括像素对常见肤色像素颜色值的隶属度和犹豫度,为完整的表达肤色像素的特征,再加入粗糙度特征进行补充;然后训练出FP神经网络,对所提取的特征向量进行肤色像素与非肤色像素的分类。实验证明,该算法能够提高肤色像素检测的准确度,可以有效地应用在有关人体的识别系统中。     

低倍率镜检图像无标记红白细胞识别方法研究

针对低倍率镜检图像无标记红白细胞对比度低、边缘模糊、结构不清晰、内部纹理特征不明显等特点,提出一种改进的低维特征向量识别算法。该算法通过彩色图像空间分离、逻辑或运算和形态学处理完成初步分割,针对粘连细胞,采用基于迭代腐蚀的标记分水岭方法再次分割,通过多种方法互补完成红白细胞的分割。根据红白细胞在形态、快速傅里叶变化(fast Fourier transform,FFT)以及Canny边缘检测图像的差别,提取周长、面积、FFT后的圆形度、连通域数、像素和和闭合比值6个相关特征组成特征向量用于训练支持向量机分类器。实验结果表明,在低倍率镜检图像无标记红白细胞准确分割前提下,基于6个相关特征的低维特征向量识别可以显著提高识别率,而且识别效果相对稳定,不易受红白细胞异型情况影响。     

SFCM模糊聚类在语音矢量量化中的应用

提出了一种模糊聚类分析算法ＳＦＣＭ,并将其用于语音特征的矢量量化,最终形成码本尺寸为２５６的码本。用ＳＦＣＭ算法得到的码本分布合理,没有空类,采用此码本的语音识别实验表明了这种量化方法对语音识别的有效性。     

基于FPGA的说话人识别系统设计与实现

针对当前基于DSP等硬核处理器的嵌入式说话人识别系统存在训练和辨认时间较长的问题,提出一种基于FPGA平台与矢量量化原理的说话人识别系统实现方案.在采用遗传算法进行矢量量化的说话人识别的系统中,该方案实现的硬件并行运算结构可大大减少求适应度的耗时.经测试,该实现方案在保证识别率前提下,可有效提高训练与识别速度.