结合降噪和自注意力的深度聚类算法

近几年,联合聚类划分和表示学习的深度聚类方法提供了出色的聚类性能,但随着图像质量的下降(比如噪声图像),聚类结果还不能令人满意.为此,提出一种新的深度聚类算法(DDC).深度卷积降噪自编码器学习噪声数据的特征表示;自注意力机制提高网络捕获局部关键信息的能力;端到端的联合训练得到合适的特征表示并完成聚类分配;对数据点和类中心的相似度赋予不同的权重,扩大同类和异类之间的差异.在公开图像数据集上的实验表明DDC算法的聚类性能更高;并与其他深度聚类算法进行对比,例如在COIL-20上DDC的聚类精度是0.803,而DEC算法仅是0.597.总之,结合自注意力和深度卷积降噪自编码器的DDC算法能对噪声图像进行更有效的聚类分析,扩大了图像聚类的应用范围.     

打叶后不同片型片烟所在烟叶区位溯源分析

  目的  分析打叶后不同片型片烟所在的烟叶区位,为不同片型片烟色度值及化学成分含量存在差异的原因提供直接证据。  方法  选择云烟87 C3F初烤烟叶作为试验对象,先将完整烟叶分切成11个区位（叶基、叶尖,以及近叶基、叶中、近叶尖的近主脉、近中、近叶缘各3个区位）,再利用叶片振动分选机对打叶后片烟进行筛分,得到5种不同片型的片烟样品（大片、中片、小片、碎片和碎末）;分析不同片型片烟和烟叶不同区位色度值L*（明度值）、a*（红度值）、b*（黄度值）、△E（总色差值）及常规化学成分质量分数的变化,并通过聚类分析推测不同片型片烟所处的烟叶区位。  结果  ① 对于不同片型片烟和烟叶的不同区位,4个色度指标及6项常规化学成分质量分数均存在显著差异和规律性变化趋势。②通过色度值和常规化学成分的聚类分析结果可以推测,打叶后的大中片主要来自烟叶的叶中和近叶尖部分,小片主要来自于近叶基的近中、近主脉2个区位,碎片主要来自于近叶基的近叶缘和叶尖2个区位,而碎末则主要来自于叶基部分。  结论  在打叶过程中,不同尺寸片烟的产生并不是随机的来自烟叶的每个区位,而是在一定程度上受到烟叶自身的形态特征和不同区位物理加工特性的影响呈现出一定的规律性。      

烟叶主脉不同位置烟梗挥发性香味物质的变化

研究烟叶主脉不同位置烟梗挥发性香味物质的变化情况,为烟梗的差异化加工和分类使用提供参考依据。将每一片初烤烟叶中的烟梗主脉完全剥离出来,并从梗基到梗尖平均分成6段（YG1~YG6）,分别测定每一段烟梗的挥发性有机酸和挥发性致香物质。利用单因素方差分析研究不同位置烟梗各单项化学物质含量的差异性。利用回归分析研究不同位置烟梗挥发性有机酸和挥发性致香物质总量的变化趋势。结果表明:对于同一烟叶中的烟梗,从梗基到梗尖,各单项挥发性化学物质含量均存在显著性差异和规律性变化趋势;挥发性有机酸和挥发性致香物质总量均呈先降低后升高的抛物线型变化趋势。      

复杂高维数据的密度峰值快速搜索聚类算法

机器学习的无监督聚类算法已被广泛应用于各种目标识别任务。基于密度峰值的快速搜索聚类算法(DPC)能快速有效地确定聚类中心点和类个数,但在处理复杂分布形状的数据和高维图像数据时仍存在聚类中心点不容易确定、类数偏少等问题。为了提高其处理复杂高维数据的鲁棒性,文中提出了一种基于学习特征表示的密度峰值快速搜索聚类算法(AE-MDPC)。该算法采用无监督的自动编码器(AutoEncoder)学出数据的最优特征表示,结合能刻画数据全局一致性的流形相似性,提高了同类数据间的紧致性和不同类数据间的分离性,促使潜在类中心点的密度值成为局部最大。在4个人工数据集和4个真实图像数据集上将AE-MDPC与经典的K-means,DBSCAN,DPC算法以及结合了PCA的DPC算法进行比较。实验结果表明,在外部评价指标聚类精度、内部评价指标调整互信息和调整兰德指数上,AE-MDPC的聚类性能优于对比算法,而且提供了更好的可视化性能。总之,基于特征表示学习且结合流形距离的AE-MDPC算法能有效地处理复杂流形数据和高维图像数据。