用RBF神经网络预测材料力学性能的研究

由于径向基函数(RBF)神经网络有易学,动态仿真性强,较强的输入输出映射功能和全局最优逼近的结构特点,因此将之用于预测麦杆增强复合板材力学性能。高斯函数表示形式简单,径向对称,光滑性好和解析性好,所以模型采用高斯函数作为隐含层基函数,k均值聚类法确定径向基函数的参数,运用最小二乘法确定权值。结合影响复合板材力学性能因素的特点和变化规律,以成型温度、成型压力、纤维含量、保温时间、拉伸强度、冲击韧性等为对象建立预测复合板材力学性能的模型,用它来优化模压成型的工艺参数,找出最佳工艺参数的范围。结果表明,径向基函数神经网络具有较好的学习和泛化能力,在预测力学性能中效果较好。     

2.25Cr-1Mo材料在拉伸过程中的声发射信号聚类分析

声发射(AE)技术能用来区分发生在受载材料内的不同损伤模式,而聚类分析能在无先验知识的情况下通过揭示数据内部结构对数据进行分类。声发射波形包含了丰富的声发射源信息,而常规的特征参数并不能满足深层次的声源识别要求。文章尝试从波形的频率分布特征、形状特征和强度特征三个方面分别选取小波变换能量特征系数、波形裕度因子和幅值作为描述声发射波形的新参数。基于波形新参数的聚类分析能有效地区分加氢反应器材料2.25Cr-1Mo带裂纹和无裂纹试件拉伸过程中屈服阶段塑性变形信号、微裂纹扩展信号和断裂失稳信号。     

应用激光雷达与相机信息融合的障碍物识别

针对探测器在地外星体表面软着陆过程中的障碍物识别问题,提出了一种融合三维点云数据与灰度图像数据进行精确障碍物识别的方法。首先利用坐标转换将灰度图像与三维点云归一化到同一坐标系下,实现传感器数据的融合。然后采用改进K均值聚类算法对预处理后灰度图像进行图像分割,生成光学障碍图。最后利用开源库PCL(Point Cloud Library)对激光雷达生成的三维激光点云数据进行处理,采用随机采样一致性算法提取着陆区地形水平面,对去除水平面后的点云数据进行点云分割,分离出突起物、凹坑等障碍物,并通过激光雷达与相机转换坐标系,投影到像平面,生成最终障碍图。     

高维空间中离群点检测算法研究

提出一种基于改进粒子群优化算法的离群点检测算法,解决高维环境下离群点挖掘效率偏低的问题。新算法能够充分发挥粒子群优化算法全局搜索的优势,并具有k均值算法快速收敛的特点,可避免粒子群优化算法的早熟,减小确定k均值算法聚类中心的计算量等问题。实验表明,该算法在高维环境下可快速有效的挖掘出离群数据的离群支持度,有较好的挖掘效率、准确率和实用性。     

基于聚类的大样本支持向量机研究

针对大样本支持向量机内存开销大、训练速度慢的缺点，本文提出了基于聚类支持向量机，运用k-mean对样本聚类，压缩样本量，构造初始超平面，筛选出靠近超平面的支持粪和可能支持向量，重新构造决策超平面。实验表明，在保持泛化精度基本一致前提下，改进算法的训练速度明显提高。     

基于最大熵投票模型的时间序列无监督分割

通过高维时间序列分割可以创建高级符号表示。提出一种针对高维时间序列的无监督分割算法,用于解决高维数据符号化的预处理问题。该算法实现对高维数据的聚类,应用最大熵投票模型进行序列分割。实验结果表明,其平均查全率和查准率分别为0.86和0.88,且整体性能优于主成分分析算法和概率主成分分析算法。     

利用新特征空间的SAS图像目标分类算法

通过分析合成孔径声纳图像中不同目标统计特性参数间的差异,提出了一种利用新特征空间的SAS图像目标分类算法。该算法用马尔可夫随机场分割算法找到感兴趣区域,提取阴影的几何参数和目标的归一化中心矩,并且将目标、阴影、背景之间统计特性的分布参数之差与前两者构成新的特征空间。利用克一均值聚类算法对三类目标进行分类。合成孔径声纳湖试数据验证了算法的有效性。     

高速公路路侧景观量化方法

将路侧景观量化分成图像分割与特征提取两个阶段。第一阶段为路侧景观图像分割。对比分析了标记分水岭算法、Canny算子边缘检测算法及纹理分析算法的分割效果,选定了鲁棒性较强的纹理分析算法进行高速公路路侧景观分割。第二阶段为景观色彩特征与连续性特征的提取。在景观色彩特征提取方面,利用k均值聚类分析法提取了景观的RGB向量值,借鉴蒙赛尔色系划分法建立了色彩划分体系,对景观的宏观色彩进行了判别。结果表明:该方法可客观准确地表征景观的宏观色彩。在景观连续性特征表征方面,选取昆元高速公路部分路段景观提取了基于时间序列的HSV值。HSV值与路侧景观构成及连续性的量化分析表明两者相关性很强,方法快速有效。     

基于客户份额的客户细分方法

在客户关系管理中,对客户进行细分是不可或缺的一步。讨论了使用客户份额进行客户细分的重要性及作用,提出了对不同的客户所采取的不同的市场战略,并分析如何使用这些信息划分客户群。在此基础上,详细分析了一个用客户份额进行细分的实例,使用了k-平均聚类的方法。     

动态的K-均值聚类算法在图像检索中的应用

聚类分析技术已经广泛应用于基于内容的图像信息挖掘领域，该技术提高了图像检索的速度和质量。K-均值算法和自适应算法是两个典型的聚类分析算法，但K-均值算法严重依赖于经验参数和阙值的设定；自适应算法得到的聚类个数太多，相应的就是类内的图像个数过少，效率不是很高。从选取初始聚类点是否具有确定性、迭代次数是否过多和聚类个数是否适当等方面考虑，提出了一种新的聚类算法，即动态的K-均值法。模拟实验的结果表明，该算法具有较好的准确性和效率，使检索的质量和速度都得到了很大的提高。