自适应时间平滑的演化谱聚类

传统的聚类算法一般只适用于静态数据的处理,而真实世界的数据往往数据量大且变化多,静态的聚类算法不能为动态数据提供其演化规律的分析学习。演化数据的聚类,一方面要正确反映每一时刻数据的合理簇划分,另一方面又要使动态的聚类结果在演化过程中尽可能平滑。本文提出了一种自适应时间平滑的演化聚类框架,该模型考虑到当前时刻数据与历史时刻数据的未知关联,通过限定时间回溯的范围,自适应地寻找与当前快照最相关的历史快照,并通过有机融合基于Itakura-Saito距离的静态相似度和基于时间序列的动态相似度,计算各个时间片快照上的相似度矩阵。本文进一步提出了两种自适应时间平滑的演化谱聚类算法,从不同的角度定义时间代价,得到不同的演化聚类结果。在真实数据集上的实验表明这两种算法能够有效地利用历史数据,在聚类结果上准确性更高,时间平滑性也更好。     

基于航迹聚类的终端区进场程序管制适用性分析

为了定量评估终端空域的空中交通管制服务水平,提出了描述进场飞行程序管制适用性的新概念。在对实际运行航迹数据特征分析的基础上,建立了基于对应雷达轨迹点逆向比对方法的航迹间相似性测度模型。应用层次聚类法对航迹数据集进行了聚类分析,提出了根据航迹聚类集构造平均航迹的方法。通过比较平均航迹和标准进场程序,建立了描述管制适用性的3个量化指标及其算法,包括:纵向偏离度、侧向偏离度和非常规航迹比例等。实例分析表明:以上指标能准确表示进场飞行程序提供空中交通管制服务的水平,并可以根据聚类结果来改进现有进场飞行程序结构。     

一种基于多维空间超球体的快速聚类算法

提出了一种基于多维空间超球体的快速聚类算法。这种算法结合密度聚类和层次聚类两种思想。首先利用密度聚类方法将小范围内的数据对象聚合成超球体,然后再按照层次聚类中的凝聚思想,根据超球体之间的位置关系产生最终聚类。实验表明,该算法对于数值型数据集不仅在效率、噪声敏感性等方面均有较好的表现,同时还可以通过诸如“双环测试”等带有刁难性的特殊测试集。以往,常常简单的以距离来刻画的数据间“相似性”,而所提出的快速聚类算法则改由超球体之间连接的紧密程度来描述这种性质。实验表明,这种修改使得算法的性能得到了很好的改善。     

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的，该方法需要手工标记大量的数据，代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类，然后结合类内间离散度进行从底向上的分层聚类，类间和类内离散度都小的类别将被优先合并，同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量，最后，利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明，相比于目前先进的无监督视频行人重识别方法，本文方法在性能上有一定的提升。     

一种改进的模糊聚类算法在图像边缘检测中的应用

提出了一种改进的模糊聚类图像边缘快速检测算法,该算法在利用像素灰度值的同时还考虑了像素的空间信息,基于模糊集合理论将图像从灰度空间映射成一个模糊隶属度矩阵,然后将隶属度矩阵中的元素作为样本进行模糊聚类,从而提取出图像边缘。基于热力学原理选取隶属度函数,通过调节温度系数,实现图像边缘由粗到细的提取。实验证明,该方法在计算速度、滤除噪声、提取边缘等方面均优于C-均值聚类算法。     

基于LOFC时间窗分割算法的航迹聚类研究

针对传统聚类算法在聚类过程中缺乏时间信息而仅考虑三维坐标点的聚类,同时未考虑航空器运行速度和航向变化对聚类结果的影响,以及由于二次雷达机载设备、地面设备和信号遮挡等原因造成的实测数据源中存在离群点异常数据,离群点很难被有效识别出来从而使得非正常航迹点的影响放大,得不到理想的聚类效果等问题。本文提出LOFC算法,引入时间窗分割概念,将航空器进场平均速度值和航向变化值作为确定聚类簇大小的影响因子对进场航空器航迹点数量进行分割,引入离群点检测以及离群点剔除率等概念对离群点进行识别和剔除。对进场二次雷达数据仿真分析,从仿真结果中可以看出,新算法能有效地对离群点进行识别和剔除,当影响因子α取值为0.7时,航迹的曲率最小,得到的中心航迹的平滑程度最佳,验证了新算法对于聚类和离群点识别与剔除具有可行性和优越性。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成， 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection，MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection， KMCCS）。在所提出的算法中，如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示，在此基础上给出了学习器之间距离的计算方式。此外， 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析，实验结果表明了所提算法的有效性。     

改进相似性度量的谱聚类算法

传统的谱聚类算法通常利用高斯核函数作为相似度函数,由于算法对核参数非常敏感,且难于确定一个合适的尺度参数。为解决该问题,通过改进相似度函数,给出了谱聚类算法。在人工数据集和UCI数据集上的仿真实验表明,该算法提高了聚类的准确度,提升谱聚类算法的性能。     

基于相似度的半监督学习工业数据分类算法

针对现实场景中大量无监督数据无法有效利用的特点，提出了一种基于数据相似度匹配的半监督学习算法。该方法结合一定的先验知识，通过无监督学习的方式，计算未标记数据与少量有标记数据之间相似度，从而对少数类样本进行扩充。利用构造后的数据集进行模型训练，从而提高模型对于少数类的识别效果。该方法能有效改进分类任务中数据分布不平衡及标记困难的问题，在一组基于真实场景下的电力传感器检测数据分类任务中取得了较好的少数类识别效果。通过对比传统以及半监督的多种分类算法，该方法虽然在准确率上低于传统方法，但是在召回率与F₁值的表现上超越传统方法。     

基于证据理论聚类算法的故障诊断

为了正确高效地诊断故障,以并发故障为例,建立了基于证据理论聚类算法的诊断模型,提出了基于Dempster理论的聚类算法,该聚类算法既分析每个单类,还考虑单类的各种组合,并利用质心特性,将单类聚类原型推广为适合组合类特性的聚类原型。通过故障实例说明,本文模型既适合普通故障诊断,更适合并发故障诊断,且计算的时间复杂度较小。     

联合模糊c-均值聚类模型

提出一种新的结合了模糊c-均值聚类（FCM）算法和可能性c-均值聚类（PCM）算法优点的联合模糊c-均值聚类（AFCM）算法。它克服了PCM对初始值敏感、易产生一致性聚类的缺点，是PCM的扩展算法。试验表明：AFCM能同时产生隶属度和典型值，从而更好地处理噪声，避免了一致性聚类，同时提高了聚类准确性。     

基于非欧式距离的可能性C-均值聚类

改进型可能性C-均值聚类(Improved possib ilistic C-means,IPCM)是在综合了模糊C-均值聚类(Fuzzy C-means,FCM)和可能性C-均值聚类(Possib ilistic C-means,PCM)的基础上得到的。在IPCM的基础上,利用鲁棒统计观点和影响函数,引入一种新的距离度量以代替IPCM的目标函数中的欧式距离度量,提出了一种新的可能性C-均值聚类模型(A lternative improved possib ilistic C-means,A IPCM),并给出了该模型的具体实现算法。A IPCM具有良好的鲁棒性,更适合对含有噪声或野值的数据进行划分聚类。仿真实验表明,A IPCM能克服噪声敏感性问题,获得合适的聚类中心和高的聚类准确率。     

粉尘运动风洞模拟试验的相似律

本文提出了粉粒状堆料风吹起尘规律研究的相似律和在装卸作业中风吹扬尘规律研究的相似律,所获得的一些相似律,经大小两个风洞试验验证是较为满意的,并以此为指导,对煤堆起尘和煤炭装卸中起尘作了大量风洞模型试验,其结果表明也是合理的。     

SOFT IMAGE SEGMENTATION BASED ON CENTER-FREE FUZZY CLUSTERING

Image segmentation remains one of the major challenges in image analysis.And soft image segmentation has been widely used due to its good effect.Fuzzy clustering algorithms are very popular in soft segmentation.A new soft image segmentation method based on center-free fuzzy clustering is proposed.The center-free fuzzy clustering is the modified version of the classical fuzzy C-means ( FCM ) clustering.Different from traditional fuzzy clustering , the center-free fuzzy clustering does not need to calculate the cluster center , so it can be applied to pairwise relational data.In the proposed method , the mean-shift method is chosen for initial segmentation firstly , then the center-free clustering is used to merge regions and the final segmented images are obtained at last.Experimental results show that the proposed method is better than other image segmentation methods based on traditional clustering.     

基于无监督学习视觉特征的深度聚类方法

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器（Convolutional auto-encoder with an asymmetric structure, ASCAE）的学习视觉特征的深度聚类方法,其中非对称结构的卷积自编码器用于学习特征表示,然后使用K-means算法对特征数据进行聚类分析。为进一步提高特征表示能力,ASCAE方法的网络采用变步长的卷积层和全连接的重构误差正则约束网络的重构误差。在7个公开图像集上的实验结果表明该网络有很好的特征表示能力,并且使得K-means算法能提供很好的聚类结果。在COIL-20和MNIST图像集上,聚类方法ASCAE的聚类精度分别为0.754和0.918,优于同类型的4种深度聚类方法（AEC、IEC、DEC和DEN）。     

模糊ISODATA聚类分析方法的改进

模糊在分析方法具有较强的实用性，但传统的基于模糊划分的ＩＳＯＤＡＴＡ迭代方法由于人为引进了参数，因而在数学理论上显得不够严谨，本文对这一问题提出了克服的办法，得到了改进的模糊ＩＳＯＤＡＴＡ聚类分析法。该方法考虑到各个指标对分类的影响不同，必须赋以不同的权重，因而在实用中更符合情况。文中证明了建立改进的迭代方法所需要的两条定理，建立在此基础上的方法数学理论严谨，由此得到的聚类结果更令人信服。文中还结     

浅析以教材课文为基础的阅读教学设计

阅读教学是大学英语教学最重要、最具有难度的一个环节。以《实用英语》“Modem Communication：The Laserand Fiber—Optic Revolution”一文为例,对如何在课堂上进行阅读教学进行了探讨。     

跨音速数值计算迭代过程的图形追踪与分析

跨音速数值计算调试过程的图形追踪方法,采用标准 FORTRAN 77所提供的读写方法,用DATA语句给数组元素赋文字型初值,编程在主程序中插入。运行中随机打印中间数据结果的曲线形式,因而减少了人工绘制草图的工作量。由于不必脱机,大大提高了程序的调试速度。在 IBM-4341机上给出 NACA0012翼型二元绕流若干状态下的中间数据结果及追踪图形。分析结果表明,尽管打印图形的精度受到文本方式的限制,但作为一种直观分析的工具,满足了实际排错的需要。最后给出算编例程所需的清单。     

Critical Discourse Analysis

This paper is about the discourse analysis and illustrate the approach to analysis the Critical discourses and the discourses about the educational situation of China.And it also includes the condensed theoretical support of the Critical discourse analysis and analysis of the sampleⅠof the discourses between an illiterate person and the literate.     

Boussinesq方程的Backlund变换及相似约化

将简便而又直接的齐次平衡法推广应用到求Boussinesq方程的Backlund变换,精确孤子解和相似约化.这种方法可以普遍应用.