遥感图像土地利用/覆盖多光谱特征分布空间距离分析方法

研究遥感图像多光谱特征分布是设计分类算法的关键。针对土地利用/覆盖类别由多种地物组成,难以求取多元分布模型分析类别多光谱特征的问题,提出了一种遥感图像土地利用/覆盖多光谱特征分布空间距离分析方法,以样品均值矢量作为类别中心,用最大最小法聚类形成类别多聚类中心,计算各聚类中心与类别中心的空间距离,以距离为横坐标、聚类中心含有的像元数占样品总数的百分比为纵坐标作图,形成内类、类间空间距离分布曲线分析遥感图像土地利用/覆盖类别多光谱特征。分类实验结果与空间距离分析结论吻合,说明空间距离分析方法可行。该方法利用空间距离把多维光谱分布转化为一维距离分布,计算简单,聚类门限值易于确定,多光谱分布特征清晰,较好地解决了多光谱特征的多元分布问题。     

可调聚类系数加权无标度网络建模及其拥塞问题研究

针对实现网络特征的真实情况,提出了一类可调聚类系数的加权无标度网络模型,该模型能够重现现实网络权重和节点度呈幂律分布的统计特性．特别是聚类系数与度之间的非线性关系,恰好符合某些现实网络聚类系数与度之间的平头关系特征．最后研究了可调聚类系数加权网络模型中的拥塞问题．采用基于强度优先传递的局部路由策略,分析了网络中的流量传输问题．     

基于聚类技术的三维舰船模型特征库研究

存贮目标所有的视点图像,建立完备的特征库,或者提取能够抵抗视点变化的不变特征,是三维目标识别的常用方法。这两种方案都存在不足:要么特征库规模庞大,识别过程计算量大,识别效率低;要么难以找到鲁棒的识别特征。结合两种方案研究了基于聚类技术建立三维舰船模型特征库的方法。利用仿射传播聚类方法无需事先指定聚类中心的优点,将其应用于两型舰船模型的视点空间聚类。通过提取视点图像的Hu矩特征,进行了仿真实验,给出了聚类结果的有效性分析。     

基于社团结构的城市地铁网络模型研究

本文运用复杂网络理论, 对我国北京、上海、广州和深圳等城市的地铁网络进行了实证研究. 分别研究了地铁网络的度分布、聚类系数和平均路径长度. 研究表明, 该网络具有高的聚类系数和短的平均路径长度, 显示小世界网络的特征, 其度分布并不严格服从幂律分布或指数分布, 而是呈多段的分布, 显示层次网络的特征. 此外, 它还具有重叠的社团结构特征. 基于实证研究的结果, 提出一种基于社团结构的交通网络模型, 并对该模型进行了模拟分析, 模拟结果表明, 该模型的模拟结果与实证研究结果相符. 此外, 该模型还能解释其他类型的复杂网络(如城市公共汽车交通网络)的网络特性. 关键词： 复杂网络 地铁网络 小世界 社团     

基于新型神经网络的乐曲内容检索技术研究

基于文字符号的检索体系,对于音乐材料效果不佳,基于内容的音乐信息检索会成为今后发展的关键。针对音乐检索技术的核心——音频特征描述和特征匹配,本文以音高和相对节奏为音乐作品的关键特征,发展了非毗邻层连接的前馈神经网络结构,给出了误差反传训练算法的分类器,并进行了试验研究。结果表明,非毗邻层连接的前馈神经网络结构有优越的识别性能和极快的收敛速度。     

基于纹理基元的多层马氏链图像分割

多层马氏链图像分割算法在纹理碎片化阶段基于颜色信息实现聚类,用于聚类的特征只包含颜色以及颜色之间的关系,导致最终的分割结果对颜色过度敏感。针对此问题提出基于纹理基元的纹理碎片化聚类方法,将颜色与灰度分布相结合构造为纹理基元,面向纹理基元的聚类分割使碎片结果稳定,避免了因光照等因素导致纹理的误分割。实验证明,改进后的算法分割精度有明显的提高,对于遥感图像分割来说,纹理分割结果的稳定性更高。     

一种新的自组织聚类网络及其在数据融合目标分类中的应用

介绍了一种新的自组织聚类人工神经网络(DIGNET)模型和网络的非监督学习算法。针对数据融合和目标识别的特点,提出了基于DIGNET的决策层数据融合目标分类方法。利用仿真数据研究了DIGNET和自组织特征映射网络(SOFM)的聚类性能以及基于DIGNET的决策层数据融合结构,实验结果表明DIGNET较SOFM正确分类率高、抗噪能力好;基于DIGNET的决策层数据融合能够有效地实现融合识别。将该数据融合方法应用于前视红外(FLIR)和可见光摄像机目标跟踪系统,结果表明该方法是可行的。     

融合t-分布随机邻域嵌入与自动谱聚类的脑功能精细分区方法

本文针对目前脑功能分区不够准确的问题，基于静息态功能磁共振数据，提出了一种融合t-分布随机邻域嵌入（t-SNE）与自动谱聚类（ASC）的人脑功能精细分区的算法.首先，基于静息态功能磁共振图像，对需功能划分的脑区与全脑的时间序列作相关分析，得到需划分脑区的功能连接模式；然后，利用t-SNE算法提取高维功能连接模式特征；最后，通过基于本征间隙的ASC算法自动确定聚类数目，并对降维后的脑区特征分类，得到精细划分的脑亚区.模拟种子区域上的实验结果表明，相较谱聚类算法，以及结合主成分分析的谱聚类算法，本文方法对脑功能体素划分更优.进一步将本方法应用到真实人脑的功能分区中，成功地将海马旁回分为左右半球各3个亚区.本研究表明使用t-SNE与ASC融合的算法可提高脑功能分区准确性，是脑功能精细分区、进而构建脑功能图谱的一种有效方法.     

基于点云多帧融合的相邻障碍物聚类分割方法

相邻障碍物的分割是无人驾驶领域的技术难点,低线激光雷达点云稀疏,无法聚类远距离物体,但激光雷达线束越多越昂贵。为了实现低成本聚类分割相邻障碍物,实验场景选取常用交通场景对象相邻的人/人、人/车,提出了一种基于多帧融合的相邻障碍物分割方法。基于惯性测量单元、激光雷达融合多帧点云,解决了低线激光雷达因分辨率低而无法聚类远距离相邻行人的问题。提出改进的欧式聚类,加入自适应阈值和向量角度约束两个新的分割标准,提高相邻障碍物的分割效果。实验结果表明,该方法具有成本低、聚类精准等特点,与单帧传统欧式聚类算法相比,该方法针对相邻障碍物分割的准确度提升约30.7%,对低线激光雷达在障碍物聚类以及后续的检测具有一定参考意义。     

基于线指数特征的海量恒星光谱聚类分析研究

聚类分析是数据挖掘中用以发现数据分布和隐含模式的一种重要算法,能简单有效地研究大样本、多参量和类别未知的光谱数据。以线指数作为光谱数据的特征值能够在尽可能多的保留光谱物理特征的同时,有效解决高维光谱数据聚类分析中运算复杂度较高的问题。本文提出了基于线指数特征的海量恒星光谱数据聚类分析的方法,提取恒星光谱中的Lick线指数作为海量巡天光谱数据的特征,使用k均值聚类算法完成对光谱数据的聚类,然后对聚类结果进行有效的分析。实验结果证明该方法能够快速有效地将具有相似物理特征的恒星光谱数据聚集到一起,该方法可以应用到巡天数据的研究中。     

一种音乐情绪参数化的方法

针对目前基于情绪的音乐分类研究存在的弊端,为了方便音乐检索,本文提出一种音乐情绪参数化的方法。该方法通过提取反映音乐情绪的特征向量,然后利用fisher算法进行维数压缩,再通过大量的音乐样本训练得到节奏、音调和音色3个描述音乐情绪的参数,参数的大小反映了情绪的强弱。实验结果表明,音乐情绪参数化的结果符合音乐实际的情绪。     

Mesoscopic analysis of networks: applications to exploratory analysis and data clustering

We investigate the adaptation and performance of modularity-based algorithms, designed in the scope of complex networks, to analyze the mesoscopic structure of correlation matrices. Using a multiresolution analysis, we are able to describe the structure of the data in terms of clusters at different topological levels. We demonstrate the applicability of our findings in two different scenarios: to analyze the neural connectivity of the nematode Caenorhabditis elegans and to automatically classify a typical benchmark of unsupervised clustering, the Iris dataset, with considerable success.     

On the genre-fication of music: a percolation approach

We analyze web-downloaded data on people sharing their music library. By attributing to each music group usual music genres (Rock, Pop ...), and analysing correlations between music groups of different genres with percolation-idea based methods, we probe the reality of these subdivisions and construct a music genre cartography, with a tree representation. We also discuss an alternative objective way to classify music, that is based on the complex structure of the groups audience. Finally, a link is drawn with the theory of hidden variables in complex networks.     

小波聚类方法和近红外光谱技术用于药片种类判别

对310个药片样品的近红外光谱数据进行了聚类分析。首先使用小波变换对光谱数据矩阵进行多尺度分解,在进行有效压缩之后,采用经典分类方法对合适选取的小波系数组合进行聚类分析,提出了小波聚类方法。该方法分别用于实验室药片、中试药片和规模生产药片样品的分析,按药片样品的组成得到4个类别。结果表明,对实验室药片和中试药片样品分类的精确度均达到100%;对于规模生产药片的分类,共120个样品中只有1个样品被错误划分,精确度也高达99.2%。近红外光谱技术结合小波聚类方法的聚类性能是令人满意的,相比经典聚类分析,更加快速、易于使用,对制药行业药片质量以及成本控制均有积极作用。     

Acoustical analysis and model-based sound synthesis of the kantele

The five-string Finnish kantele is a traditional folk music instrument that has unique structural features, resulting in a sound of bright and reverberant timbre. This article presents an analysis of the sound generation principles in the kantele, based on measurements and analytical formulation. The most characteristic features of the unique timbre are caused by the bridgeless string termination around a tuning pin at one end and the knotted termination around a supporting bar at the other end. These result in prominent second-order nonlinearity and strong beating of harmonics, respectively. A computational model of the instrument is also formulated and the algorithm is made efficient for real-time synthesis to simulate these features of the instrument timbre.     

Silhouette Analysis for Performance Evaluation in Machine Learning with Applications to Clustering

Grouping the objects based on their similarities is an important common task in machine learning applications. Many clustering methods have been developed, among them k-means based clustering methods have been broadly used and several extensions have been developed to improve the original k-means clustering method such as k-means ++ and kernel k-means. K-means is a linear clustering method; that is, it divides the objects into linearly separable groups, while kernel k-means is a non-linear technique. Kernel k-means projects the elements to a higher dimensional feature space using a kernel function, and then groups them. Different kernel functions may not perform similarly in clustering of a data set and, in turn, choosing the right kernel for an application could be challenging. In our previous work, we introduced a weighted majority voting method for clustering based on normalized mutual information (NMI). NMI is a supervised method where the true labels for a training set are required to calculate NMI. In this study, we extend our previous work of aggregating the clustering results to develop an unsupervised weighting function where a training set is not available. The proposed weighting function here is based on Silhouette index, as an unsupervised criterion. As a result, a training set is not required to calculate Silhouette index. This makes our new method more sensible in terms of clustering concept.     

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性. 关键词： 混沌时间序列 预测 径向基神经网络 聚类     

传统笙的物理模型及声音合成方法

为研究传统笙的物理结构与音色之间的关系,提出了传统笙的物理模型及声音合成方法。在簧舌振动模型的基础上,结合指孔和音窗的传输矩阵计算方法,建立了笙管的等效电路,并将二者结合,得到笙的完整物理模型。为了验证模型的有效性,设计了一套笙的实验系统,实现了对笙管发声过程中特征量的多通道同步测量。通过对比实验和模型仿真结果的时频域特点以及与音色相关的特征量,分析了模型的性能.结果表明,该模型可较好地模拟传统笙管的发声过程,合成笙样本能够较准确的反映真实笙样本的音色特征。      

基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究

为解决模糊学习矢量量化(FLVQ)对噪声数据敏感问题,在无监督可能模糊聚类(UPFC)基础上提出一种无监督可能模糊学习矢量量化(UPFLVQ)算法。UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率,计算类中心矢量。UPFLVQ 属于无监督机器学习算法,适用于无学习样本情况下的样本分类。研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。采用FieldSpec@3型便携式光谱分析仪获取波长范围为350～2 500 nm的三种生菜样本的短波近红外光谱和长波近红外光谱,然后采用主成分分析(PCA)进行近红外光谱的维数压缩,取前三个主成分,累计可信度达97.50%,将2151维的近红外光谱压缩为三维数据。再运行模糊C-均值聚类(FCM)至迭代终止,并以FCM的类中心作为UPFLVQ的初始聚类中心,最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。同时,运行UPFC进行近红外光谱的生菜品种鉴别。实验结果表明：UPFLVQ和近红外光谱技术相结合的模型具有检测速度快,鉴别准确率高,对生菜不造成损坏等优点,可实现不同品种生菜的鉴别。UPFLVQ是将UPFC和FLVQ相结合的聚类算法,利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本,适用于线性可分的数据聚类,为快速和无损地鉴别生菜品种提供了一种新的方法。