液晶屏线路中导电粒子压合的自动光学检测研究

在薄膜晶体管液晶显示器线路检测中,常通过对线路中的导电薄膜粒子的计数和定位实现其导电性的自动检测。为了解决窄边框线路中粒子密度增大带来的粒子重叠问题,提出一种采用微分干涉成像和掩模法结合k均值聚类的算法,在分离出粒子的亮、暗部后,结合图像熵值和粒子的凸性准确分割出粒子。讨论了聚类簇选值的影响,通过不同粒子密度、不同粒子尺寸的样本检验本文算法,并与以往的梯度结合灰度的方法进行对比。结果表明:本文算法在粒子密度较小的区域能达到92.6%的识别率,在粒子密度较大的区域也能达到86%的识别率,分别比梯度加灰度的方法提高了9.9%和42.7%。解决了粒子重叠的问题,并且对光场和成像效果有更好的鲁棒性。     

改进的K均值聚类红外目标检测方法

利用图像方差能很好地反映目标边缘信息的特点,提出一种基于方差的K均值聚类红外目标检测算法。利用形态学方法对红外图像进行预处理,运用相应的模板计算得到红外图像的方差图像,利用K均值聚类算法对方差图像进行聚类,从而分离出目标类别和背景类别。实验表明,该算法提取的红外图像中目标信息的兰德指数最高,说明该算法能有效地提取红外图像中目标信息,从而达到目标检测的目的。     

Web数据挖掘在电子商务中的应用

Web数据挖掘已经成为数据挖掘研究领域的热点,尤其是在电子商务网站的设计和使用中。文章阐述了在电子商务中如何运用Web数据挖掘技术,为企业更有效地确认目标市场、改进决策、获得更大的竞争优势提供帮助,并提出了一种Web数据挖掘系统的设计方案和实现方式。同时,对k-means聚类算法进行了优劣分析,并提出通过改变初始聚类中心的选取规则来提高算法的运行效率以及计算结果的准确度。     

超空泡图像的自适应多尺度小波边缘检测

针对水下高速射弹试验获取的超空泡图像中夹杂较多噪声,而传统边缘检测算法在自动边缘检测中抑制噪声效果差的问题。文中采用自适应多尺度小波边缘检测,对超空泡图像进行边缘检测。算法中首先对图像进行多尺度下的小波变换和相邻尺度间的梯度增强,再采用K均值聚类进行边缘的自动检测,得到不同尺度下的边缘,根据小波基的不同选择对应的多尺度融合方法进行多尺度融合,得到最终的边缘图像。实验表明,文中算法相比传统边缘检测算法,有效地抑制了图像中噪声,得到了更完整的边缘信息。     

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.     

聚类与几何特征相结合的遥感图像多类人造目标检测算法

针对高分辨率光学遥感图像中人造目标的检测问 题,对传统的相位编组直线段提取算法和k-means 聚类算法了改进,提出了一种k-means聚类和几何特征 相结合的检测方法。根据自然物体和 人造目标在几何外形上表现出的不同特性,首先运用改进的相位编组算法对图像进行快速的 直线段提取; 然后以获取的直线段中心点为处理对象,运用k-means聚类算法 对提取的直线段进行密度聚类;最后,根 据每个类中的直线段数目和构成的几何基元情况,进行人造目标的判定。实验结果表明,本 文算法对遥感 图像中的房屋、汽车、船舰和飞机跑道等多类人造目标可达到90%以 上的检测精度,并具有较高的检测速度,对于一幅512pixel ×512pixel的图像,整个检测过程在100ms 以内。     

面向MANET异常检测的分布式遗传k-means研究

针对移动自组网（MANET,mobile ad hoc networks）入侵检测过程中的攻击类型多样性和监测数据海量性问题,提出了一种基于改进k-means算法的MANET异常检测方法。通过引入划分贡献度的概念,可合理地计算各维特征在检测中占有的权重,并将遗传算法与快速聚类检测算法k-means相结合,解决了聚类检测结果容易陷入局部最优的问题,进而,提出了以上检测算法在MapReduce框架下的设计方案,利用种群迁移策略在分布式处理器上实现了并行聚类检测。实验结果证明了该方法的检测准确率和运行效率均优于传统聚类检测方法。     

基于改进K均值聚类的机械故障智能检测

针对传统的K均值聚类算法在机械故障检测的过程中,由于对于K值的选择具有较强的主观性,最后极易得到局部最优解,而非全局最优解,降低了机械故障检测的准确性。提出一种改进K均值聚类的机械故障智能检测方法。将K均值聚类算法与粒子群算法相结合,在迭代处理的过程中,结合K均值进行优化,即将粒子群算法中的子代个体利用K均值聚类进行运算获取局部最优解,并使用这些个体继续参与迭代处理,这样能够提高算法的收敛速度,避免陷入局部最优解,获得准确的机械故障信号特征。实验结果表明,利用K均值倾斜特征提取的机械故障智能检测算法进行机械故障检测,能够有效提高故障检测的准确性,取得了令人满意的效果。     

一种基于主色聚类的仿造迷彩设计方法

对固定目标实施仿造迷彩可以有效地降低目标的显著性。在设计仿造迷彩时,斑块的颜色和形状是两个最主要的要素。文章选取CIE1976L*a*b*匀色空间对背景的可见光图像进行处理。提出了先使用谱系聚类法获得初始类心,然后用k-均值聚类法提取背景的主色的方法。将提取到的背景主色作为仿造迷彩伪装的颜色,并确定各个主色的覆盖范围作为伪装的图案。最后运用数学形态学方法消除图案中的小杂斑和边缘的毛刺。仿真结果表明生成迷彩的效果比较理想。     

基于k-means聚类与粗糙集算法的指标筛选方法研究

针对多属性决策中指标的信息重复和不确定性问题,提出了一种基于改进的k-means聚类与粗糙集算法相结合的指标筛选方法。首先,定义样本的空间分布密度,实现初始聚类中心优化的k-means算法,对连续型指标进行离散化处理;然后利用粗糙集的相对约简原理进行指标约简,删除存在信息重复的冗余指标,并结合绿色经济指标体系构建的案例验证了该方法的合理性和有效性。