基于字符纹理的车牌定位算法

提出了一种基于小波变换和均值聚类的实时车牌定位算法,根据车牌字符的纹理特征,在小波变换域中结合均值聚类自适应动态阈值取得字符信息,然后通过连通区域分析,结合车牌的宏观特征对车牌进行定位,试验证明,该算法准确率高,抗干扰性强。     

基于混合遗传聚类的Web日志挖掘

通过对Web日志文件进行分析，提出了一种用混合遗传聚类对Web用户的行为进行分析的方法,混合遗传聚类是标准遗传算法和K-中心点算法的有机结合．实验证明，该方法是一个具有全局最优解的聚类方法，其结果明显优于标准遗传聚类方法．该算法能够有效地剔除噪音，得到很好的用户聚类和页面聚类的结果，为网站的管理者设计个性化的商务网站提供了有效的决策依据．     

一种基于FCM的噪声图像分割算法研究

针对噪声污染的图像进行有效分割困难问题,提出了一种基于模糊C均值的噪声图像分割方法.该方法首先应用离散小波变换(DWT)将图像进行分解获取不同尺度的小波系数;然后利用粒子群(PSO)算法自适应搜索最优的阈值对小波系数进行处理,将处理好的系数利用小波重构得到重构图像;最后利用模糊C均值聚类完成图像分割.该算法在Berkeley数据集上进行实验,结果表明与其他算法相比,该算法具有更好的性能.     

基于粗糙近似的Web事务聚类改进算法

针对现有Web使用记录挖掘方法发现的知识和规则存在不精确或不完全的问题,提出了一种改进的基于粗糙近似的Web事务聚类算法.该算法首先对原有算法得到的每个类,用关系矩阵找出在这个类中不满足传递性的对象,然后在该对象的集合(类)上用关系矩阵找出在这个类中不满足传递性的对象,再对每个类进行分割,使其满足关系R的传递性,克服了现有算法不满足关系的传递性和在某些情况下得到的结果不准确的缺点.     

一种改进的k-中心点聚类算法及在雷暴聚类中的应用

传统k-中心点聚类算法初始中心点的选取直接影响算法效率和稳定性,易使算法陷入局部最优解,从而影响在带时序群体分析的聚类应用效果.本文提出了一种基于密度信息的k-中心点算法,通过获取样本密度信息来选取初始中心点,有效解决了聚类结果对初始中心点选择的依赖性问题,并应用于雷暴聚类中.雷暴聚类评估实验结果表明了改进算法的有效性.     

基于密度峰值的改进K-Means文本聚类算法及其并行化

针对K均值(K-means)聚类算法进行文本聚类时随机选取初始聚类中心点的问题,提出一种基于密度峰值进行初始聚类中心点选取的适用于文本聚类的K-means算法(DPMCSKM),为了更好地适应大规模聚类计算的要求,设计并实现了基于MapReduce的DPMCSKM并行化算法。实验结果表明,DPMCSKM算法可以有效地进行文本聚类,与K-means、基于密度峰值的快速搜索聚类算法选取初始簇中心点的K-means以及多簇球形K-means算法相比在聚类质量上均有一定的提升,在收敛速度上也有较好的表现;DPMCSKM并行化算法在可扩展性上,具有较好的加速比。     

面向流数据的演化聚类算法

针对传统的聚类算法难以适应流数据在线聚类的问题,本文在演化聚类算法(ECM)的基础上,改进了ECM中聚类中心和聚类半径的更新过程,引入戴维森保丁指数(DBI,Davies-Bouldin Index)作为数据归类的评估准则,提出了一种面向流数据的演化聚类算法(SDECM).实验结果表明,与ECM相比,SDECM在目标函数值、DBI值、准确率和纯度等评估准则方面具有更好的聚类性能.     

一种基于非参数贝叶斯模型的聚类算法

鉴于聚类分析是机器学习和数据挖掘领域的一项重要技术, 并且与监督学习不同的是聚类分析中没有类别或标签的指导信息, 所以如何选择合适的聚类个数(即模型选择)一直是聚类分析中的难点. 由此提出了一种基于Dirichlet过程混合模型的聚类算法, 并用collapsed Gibbs采样算法对混合模型的参数进行估计. 新算法基于非参数贝叶斯模型的框架, 能够在不断的采样过程中优化模型参数并形成合适的聚类个数. 在人工合成数据集和真实数据集上的聚类实验结果表明: 基于Dirichlet过程混合模型的聚类算法不但能够自动确定聚类个数, 而且具有较强灵活性和鲁棒性.     

数字油画制作中的加速k均值颜色聚类算法

提出了一个数字油画制作中的加速k均值图像颜色聚类算法:AkMTI-CCI算法.该算法应用最远优先原则初始化聚类中心,消除了颜色聚类结果对初始中心的依赖性.利用三角不等式减少聚类过程中距离的计算量,提高了颜色聚类的速度.数值实验表明:AkMTI-CCI算法提高了颜色聚类的速度且改善了颜色聚类的效果.     

基于改进阈值的小波域语音增强算法

提出了一种基于改进阈值的小波域语音增强算法.在阈值函数中引入参数,通过调整参数以获得较优的小波系数的阈值估计,使得改进阈值介于硬阈值与软阈值之间.利用改进阈值对染噪语音的小波系数进行阈值处理,达到了语音增强的目的.实验结果表明,该方法在抑制白噪声的同时减少了语音信息的损失,较硬阈值与软阈值的小波域语音增强方法相比,增强语音的信噪比、均方误差等性能均有明显的提高.