基于改进核聚类算法的空间目标识别方法

根据目标区域的矩特征,几何特征以及灰度特征,提取出目标的特征向量,并通过聚类算法对空间目标进行识别,提出了一种基于Voronoi距离的核聚类算法（KFCM）。该算法通过引入一种新的距离度量,使得隶属度函数更加的明晰,改善了核聚类算法极易陷入最小值的问题。运用改进的核聚类算法对3类空间目标进行识别,试验结果验证了算法的正确性和有效性。     

基于网格聚类的雷达信号预分选

针对现有网格聚类算法需要人为确定网格划分、边界处理精度低的问题,提出了基于固定网格划分和动态网格划分的雷达信号预分选算法。基于固定的网格划分算法对输入信号脉冲顺序不敏感,根据网格数据压缩率自适应确定网格划分和密度阈值。基于移动技术的动态网格聚类算法能够识别任意形状和大小的聚类。仿真实验表明,这两种方法能有效适用于雷达信号分选,且能很好地识别出孤立点和噪声。     

基于聚类的多平台协同数据关联算法研究

从多平台协同工作的角度出发,针对目标和传感器观测数据之间的关联问题进行了研究。给出了模糊聚类目标函数、FCM算法步骤和量测目标归属判定方法,基于此,提出了模糊C-均值聚类和量测目标归属判定算法,然后提出了基于聚类算法的多平台协同多目标数据关联算法。仿真实验结果表明,该算法数据关联正确率较高,能够提升跟踪精度。     

面向大数据的数据处理与分析算法综述

大数据处理是近年来广受关注和研究的技术领域,数据挖掘作为从大量数据中挖掘隐藏价值信息的技术,是处理大数据的有效工具。本文主要从数据挖掘的角度对大数据处理算法的研究现状进行分类总结。首先介绍了大数据中针对流式数据分类的方法,包括单模型算法和集成分类算法;其次分别从单机算法和基于分布式并行平台的多机算法两个角度概括介绍了大数据聚类方法以及大数据关联规则挖掘方法;最后总结了现有面向大数据的数据挖掘算法的研究进展并展望未来的发展趋势。     

Helicopter maritime search area planning based on a minimum bounding rectangle and K-means clustering

Helicopters are widely used in maritime Search and Rescue (SAR) missions. To ensure the success of SAR missions, search areas need to be carefully planned. With the development of computer technology and weather forecast technology, the survivors’ drift trajectories can be predicted more precisely, which strongly supports the planning of search areas for the rescue helicopter. However, the methods used to determine the search area based on the predicted drift trajectories are mainly derived from the continuous expansion of the area with the highest Probability of Containment (POC), which may lead to local optimal solutions and a decrease in the Probability of Success (POS), especially when there are several subareas with a high POC. To address this problem, this paper proposes a method based on a Minimum Bounding Rectangle and K-means clustering (MBRK). A silhouette coefficient is adopted to analyze the distribution of the survivors’ probable locations, which are divided into multiple clusters with K-means clustering. Then, probability maps are generated based on the minimum bounding rectangle of each cluster. By adding or subtracting one row or column of cells or shifting the planned search area, 12 search methods are used to generate the optimal search area starting from the cell with the highest POC in each probability map. Taking a real case as an example, the simulation experiment results show that the POS values obtained by the MBRK method are higher than those obtained by other methods, which proves that the MBRK method can effectively support the planning of search areas and that K-means clustering improves the POS of search plans.     

基于多台站观测的中国区域地磁指数

利用中国14个地磁台站和全球23个地磁台站的H分量分钟值数据,分析单台站小时幅度指数r_H的时空分布特征,在此基础上结合台站之间r_H指数的相似度度量(残差指数Ra),采用K均值聚类算法将中国14个地磁台站划分为7个区域,根据加权法计算各区域的区域指数Rr.结果表明,r_H指数具有27天太阳自转周变化,季节变化不显著,但仍存在春秋季大而冬夏季小的特征;在空间变化上,r_H随纬度的增高而增大,并且在磁暴期间r_H指数的幅值和形态均表现出明显的经度差异,随地方时呈现晨-昏不对称现象;与Dst指数、SYM-H指数、Kp指数及各区域内台站的H分量观测数据对比分析发现,区域指数Rr能有效反映区域地磁扰动.      

基于两层POD和BPNN的翼型反设计方法

翼型优化过程需要大量的 CFD 分析,计算量大、耗时长。本文发展基于本征正交分解（POD）和反向传播神经网络（BPNN）的翼型反设计方法,该方法的优化过程如下：首先,通过 Hicks-Henne 参数化,在设计空间中构造翼型外形的样本库,并利用 Xfoil/Fluent 对样本翼型的流场进行求解;然后,对翼面压力系数和几何外形分别建立 POD 模型,即两层 POD 模型,并得到对应的基模态系数;最后,使用 BPNN 建立从压力系数的基模态系数到几何外形的基模态系数的映射,实现在给定压力系数下对几何外形的快速预测。通过算例分析,结果表明：在亚/跨声速状态,基于 200 个样本训练所得的两层 POD+BPNN 模型可以实现对具有目标压力系数分布的翼型的预测,其精度满足翼型反设计要求。     

能量有效的无线传感器网络分簇路由协议

无线传感器网络（WSNs）的应用前景非常广阔,得到了越来越广泛的关注,其中网络节能、降低功耗、延长寿命是WSNs必须解决的问题。对WSNs中典型的分簇路由协议进行了详细分析,通过对比研究,提出了一种基于节点间相关性的能量有效分簇路由协议——BCCP协议。在BCCP协议中,能耗均衡分簇算法利用节点间位置相关性与节点剩余能量,降低分簇迭代次数,得到分布均匀的簇首节点,降低簇内成员节点与簇首节点的通信能耗,以此降低网络能耗;降低能耗分簇算法利用节点间数据相似性与节点间协同性,降低簇内通信、簇间通信的数据量,以此降低网络能耗。实验结果表明,BCCP协议在能耗均衡、网络存活节点数、降低能耗方面与其他方法相比均有明显的优势。      

基于模糊聚类的近距空战决策过程重构与评估

目前大量研究集中在空战的智能决策和解决近距空战评估结果"是什么"的问题上,却极少关注评估结果的"为什么"。根据空战训练中记录的客观数据的变化特征,提出基于模糊聚类的方法来计算决策序列,构建模糊粗糙决策系统,以实现对近距空战决策过程的重构;通过计算分析条件属性之间的相对重要度,对具有相似重要度的决策对象序列进行二次聚类划分,分析出关键决策点集合。通过实例研究,从空战能量和相对方位2个方面对近距空战决策过程进行了评估分析。结果表明,从空战决策的角度可认为关键决策点集合是产生评估结果的原因。     

基于K-means的深度跨模态哈希量化优化方法

互联网应用的普及使得多模态数据快速增长,跨模态检索技术已成为相关领域的关键技术之一。针对现有跨模态哈希算法存在的网络结构和量化方法等方面的问题,本文在新的深度跨模态哈希检索模型之上,提出了一种基于K-means的深度跨模态哈希量化优化方法（K-means-based quantitative-optimization for deep cross-modal hashing,KQDH）。该方法通过K-means聚类算法对多模态数据特征向量分类,并通过集体量化方式来控制量化误差,使得哈希码更好地表示出多模态特征。实验结果表明,该方法能在多模态数据之间保持相似性并最大程度地捕获语义信息,从而提高跨模态检索的准确性和效率。