利用分级模糊聚类分析自动识别语音

本文提出了利用分级模糊聚类分析自动识别语音的方法,通过对语音特证矩阵进行分级模糊等价矩阵聚类分析,求出聚类中心,再把待识别语音与聚类中心作分级距离检验,从而达到识别语音的目的。     

模糊聚类算法的研究与实现

聚类就是按照事物间的相似性进行区分和分类的过程,传统的聚类分析是一种硬划分,它把每个待辨识的对象严格地划分到某个类中,具有非此即彼的性质,因此这种分类的类别界限是分明的。而实际上大多数对象并没有严格的属性,它们在形态和类属方面存在着中介性,适合进行软划分。1965年,模糊理论的创始人Zadeh提出的模糊集理论为这种软划分提供了有力的分析工具,人们开始用模糊的方法来处理聚类问题,并称之为模糊聚类。该文主要内容是研究和实现基于等价关系的模糊聚类算法,该算法以隶属度作为聚类的出发点,以模糊等价矩阵作为启发规则。首先根据给出的样本,通过数据标准化求得数据矩阵;其次根据数量积法对数据矩阵进行标定即建立模糊相似矩阵;再次通过传递闭包法把模糊相似矩阵转换成模糊等价矩阵,在模糊等价矩阵中取不同的元素作为阈值λ,再根据λ截矩阵的定义把模糊等价矩阵转换成只有0和1的矩阵;最后,把该矩阵中元素相同的列聚为同一类。通过实例分析运用基于等价关系的模糊聚类算法进行聚类结果是正确的。     

基于加权直觉模糊集合的聚类模型

针对已有基于直觉模糊集的聚类方法的局限性,提出了一种基于加权直觉模糊集合的聚类模型——WIFSCM。在该模型中,提出了特定特征空间下的等价样本和加权直觉模糊集合的概念;并推导出基于等价样本和加权直觉模糊集合的直觉模糊聚类算法的目标函数,利用该目标函数推导出直觉模糊聚类中心迭代算法和隶属度矩阵迭代算法;定义了基于加权直觉模糊集合的密度函数,确定了初始聚类中心,减少了迭代次数。通过灰度图像分割实验,证明了该模型的有效性,同时与普通直觉模糊集FCM聚类算法(IFCM)相比,聚类速度提高近百倍。     

基于多尺度几何分析与核匹配追踪的图像识别

提出一种图像特征提取与识别方法.该方法利用图像多尺度几何分析中的Contourlet变换表示图像的丰富轮廓特征信息,利用Brushlet变换表示图像的纹理和平滑特征信息,将此两部分特征信息融合组成特征矩阵.选择模糊C-均值聚类算法对特征矩阵进行聚类分析,获得其数据分布信息,再采用核匹配追踪分类器进行目标识别.该方法对图像中不同种类信息采用不同的表示工具,达到有效保持原始图像中有用信息的目的.对纹理图像和遥感图像进行分类与识别,结果表明与单独Contourlet和Brushlet特征提取方法相比,本文方法识别率高、运行时间短.     

特定虚拟图像局部多变特征识别仿真研究

采用当前方法识别特定虚拟图像中存在的局部多变特征时,识别多变特征所用的时间较长,得到的识别结果与实际不符,存在识别效率低和识别准确率低的问题。提出特定虚拟图像局部多变特征识别方法,在不改变原有样本协方差结构的基础上,采用PCA降维算法调整类间离散矩阵和类内离散矩阵,最大化类间聚类、最小化类内距离,去除特定虚拟图像中存在的无用数据和冗余信息。融合非局域全变分和结构张量构建图像去噪模型,利用图像去噪模型去除特定虚拟图像中存在的噪声。对预处理后的特定虚拟图像进行Contourlet变换,在不同方向、不同尺度上提取特定虚拟图像的变换系数,构建语言变量,通过模糊逻辑方法计算模糊区域在模糊特征空间中对应的激活强度值,获得特定虚拟图像局部多变特征向量,将特征向量输入支持向量机分类器中,实现特定虚拟图像局部多变特征的识别。仿真结果表明,所提方法的识别效率高、识别准确率高。     

基于直觉模糊等价相异矩阵的聚类方法

针对直觉模糊集合数据的聚类问题,提出了一种基于直觉模糊等价相异矩阵的聚类方法。该方法首先给出直觉模糊相异区间的概念,并构建了直觉模糊相异矩阵;然后定义了直觉模糊等价相异矩阵和(α,β)截矩阵,进而给出直觉模糊聚类算法;最后将其应用于目标编群领域,通过实例验证该算法的有效性。     

直觉模糊集的聚类方法研究

对基于直觉模糊集的聚类问题进行了研究．首先给出直觉模糊相似度的概念，并构建了直觉模糊相似矩阵和直觉模糊等价矩阵；然后定义了直觉模糊相似矩阵的合成运算法则．给出直觉模糊相似矩阵转化为直觉模糊等价矩阵的途径；此外．还分别定义了直觉模糊相似矩阵和直觉模糊等价矩阵的λ-截矩阵，进而给出了直觉模糊集的一种聚类方法；最后通过算例对该方法进行了说明和分析．     

等价闭包矩阵及其算法

1 引言在模糊聚类分析的研究与应用中,基于模糊关系等价闭包的模糊聚类算法,又称等价闭包法是一种重要的方法。等价闭包法即是利用样本间的模糊相似关系矩阵进行模糊矩阵相乘得到模糊等价矩阵进而得到等价闭包矩阵,选取适当的阈值对闭包矩阵截取得到一定的分类。该算法的关键问题就是计算出等价闭包矩阵。设R为模糊相似矩阵,其等价闭包矩阵由下式计算:     

单幅散焦图像的局部特征模糊分割算法

当前局部特征模糊分割算法没有对单幅散焦图像进行预处理,导致单幅散焦图像的清晰度较低,从而影响分割效果。原有的模糊分割算法在像素分割的过程中,像素标签量巨大,从而导致分割过程复杂。为此,提出利用免疫谱聚类算法实现对单幅散焦图像的局部特征模糊分割。首先,通过分块的方法对局部模糊图像进行再次模糊;然后,比较模糊前后散焦图像的奇异值变化,并以该变化为依据对散焦图像进行标识 ;最后,提取出单幅散焦图像的奇异值特征,进而实现单幅散焦图像的局部特征模糊分割的目标。利用谱聚类的方法对散焦图像中的像素点样本进行聚类,采用Nystrm逼近方法对像素点相似性矩阵的特征向量进行计算,降低了计算的复杂度;同时利用免疫算法提高聚类结果的准确性,保证了散焦图像的局部特征模糊分割结果。实验结果表明,所提算法能够有效地对单幅散焦图像进行分割,分割的效果较好,计算过程较为简单。     

三维纹理图像特征准确识别技术仿真研究

研究场景构建中纹理图像的三维特征识别,提高识别准确率。由于图像的效果取决于纹理识别,在三维空间中分析纹理图像时,仅使用聚类算法利用三维图像的空间坐标和三维像素灰度特征对其进行分类识别,忽略了不同方向光照对纹理图像的影响而简单聚类分类,导致因提取的特征信息不足而造成识别准确率不高的问题。因此,提出了一种机器学习的三维特征识别方法。通过变换光照的角度得到不同光照下的纹理图像,提取出多面光照下的三维图像特征信息,并利用机器学习算法对特征信息进行准确训练和分类识别,可避免聚类算法利用信息不足的特征进行分类而造成的识别准确率不高的问题。实验表明,这种方法能够有效提取出特征信息并进行准确分类,具有较高的识别准确率,取得了满意的结果。     

模糊聚类分析在古陶瓷研究中的应用

聚类分析应用广泛,核心问题是用数学定量的确定样品的亲疏关系,从而客观的分型划类.为了得到古陶瓷来源和分类,根据模糊数学的理论,运用VC程序开发工具,对数据进行标准化、建立模糊相似矩阵、聚类处理,针对得到了不同的结果,对比各种聚类分析的实验数据,找到了最佳阅值和分类结果.     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

局部颜色特征与工艺参数融合的铜浮选入矿类型识别

针对铜浮选过程中矿源变化频繁而造成的浮选工况难以识别、生产过程不稳定等问题,在分析铜浮选流程特点的基础上,提出了一种局部颜色特征与关键工艺参数融合的铜浮选入矿类型识别方法.首先采用多元图像处理方法提取泡沫图像局部颜色特征,然后采用混合滤波、时间配准算法将其与关键工艺参数进行数据融合,最后用融合后的混合特征进行模糊聚类,得到隶属度矩阵和聚类中心.工业数据仿真结果验证了本文所提方法的有效性.     

模糊边缘检测技术在机器人触觉图象处理中的应用

讨论了图象的模糊边缘检测问题。把模糊的概念引入到了触觉图象的表达与处理过程中，设计了适合于触觉图象的隶属度函数、构造了模糊增强的变换表达式。这一方法在阵列触觉传感器的图象处理中取得了较好的效果。     

基于FCM和遗传算法的图像模糊聚类分析

聚类分析在模式识别和图像处理领域中有着极为重要的意义和广泛的应用前景。常用的聚类分析的方法是模糊C均值算法（FCM）,但是FCM算法容易陷入局部最优解。提出一种基于FCM和遗传算法对图像进行模糊聚类分析的方法。对输入图像进行纹理特征提取,通过主成分分析法对提取的特征向量进行降维处理,降低图像聚类分析算法的复杂度,提高结果的精确度,结合FCM和遗传算法对图像数据进行模糊聚类分析。实验结果表明该方法可以得到较好的分类效果。     

基于小波变换和模糊聚类分析的交通事件信息发布系统的设计

为了提高交通监控中心发布交通事件信息的效率并减轻操作人员工作负荷,提出了基于小波变换和模糊聚类分析的交通事件信息发布系统,给出了系统的结构框架,设计了系统运行结构和实施流程。该系统采用小波变换技术对历史交通图像数据进行深度挖掘,提取有用特征信息;运用模糊聚类分析建立图像特征分类数据库,建立与异常交通图像特征相匹配的事件信息指令预案库;通过对实时图像的特征提取和数据库匹配,快速判别交通事件并完成事件信息的发布;实时扩充新的事件的图像特征及事件信息指令至相应数据库中。     

一种快速的模糊局部C-均值聚类分割算法

针对模糊局部C-均值聚类算法计算复杂度高且对大数据样本集进行聚类时极为耗时的特点,提出了快速的模糊局部C-均值聚类分割算法。该算法将目标像素点与其邻域像素点构成的共生矩阵引入模糊局部C-均值算法,得到新的聚类隶属度和聚类中心表达式。对像素分类时,利用邻域像素隶属度进行滤波处理,进一步改善了算法的抗噪性。实验结果表明,该算法满足了图像分割有效性的需求,相较于模糊局部C-均值聚类算法,该算法具有更好的分割性能和实时性,能更好地满足实际场合图像分割的需要。     

改进的Vague等价聚类分析

Vague关系作为模糊关系的一种推广,在某些情况下,比直觉模糊关系具有更强的模糊信息表达能力。通过对照关系和模糊关系的传递闭包,把求模糊矩阵的传递闭包算法完整地推广到Vague关系矩阵上,从而可以将相似Vague关系矩阵转换为等价Vague关系矩阵,进而通过设定肯定、否定双维度阀值α_t、α_f,将此等价的Vague关系矩阵转化成一个等价的布尔矩阵,最终使得达到聚类分析的目的。最后通过一个实例给出了这种聚类分析方法在模式识别中的应用。     

基于半监督的超像素谱聚类彩色图像分割算法

近年来谱聚类算法被广泛应用于图像分割领域,而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割,利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度,利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。     

Fuzzy classification of earth terrain covers using complex polarimetric SAR data

The conventional approach of terrain image classification that assigns a specific class for each pixel is inadequate, because the area covered by each pixel may embrace more than a single class. Fuzzy set theory which has been developed to deal with imprecise information can be incorporate in the analysis for a more appropriate solution to this problem. In the current state of imaging radar technology, polarimetric synthetic aperture radar (SAR) is unique in providing complete polarization information of ground covers for more effective classification than a single polarization radar. In this paper, we use the fuzzy c-means clustering algorithm for unsupervised segmentation of multi-look polarimetric SAR images. A statistical distance measure adopted in this algorithm is derived from the complex Wishart distribution of the complex covariance matrix. In classifying polarimetric SAR imagery, each terrain class is characterized by its own feature covariance matrix. The algorithm searches for cluster centres for each class and generates a fuzzy partition for the whole image. Membership grades obtained for each pixel provide detailed information about spatial terrain variations. Classification of the image is achieved by choosing a defuzzification criterion. When the back-scattering characteristics of two or more classes are not well distinguished from each other, a divisive hierarchical clustering procedure is adopted to locate their respective feature covariance matrices. NASA/JPL AIRSAR data is used to substantiate this fuzzy classification algorithm.