基于SIFT,K-Means和LDA的图像检索算法

图像检索一直是信息检索领域的难题。提出了一种基于尺度不变特征变换（SIFT,Scale Invariant Feature Transform）,K-Means和潜在狄利克雷分布（LDA,Latent Dirichlet Allocation）的图像检索算法。算法主要分为两个阶段。预备工作得到分类完成的图库、概率分配参数表和基本词库;实现检索是在预备工作的基础上归类测试图片,然后在该类下搜索最相似图片。对比传统的基于文本或内容的检索方法,该算法在检索之前将图片库中所有图片按其本身特征进行自动分类,取代人工标注图像信息的过程,同时由于整个算法完全基于图像特征,故此方法不会引入人工因素的干扰。实验结果表明,该算法能够较为准确地将要检索的图片归为图片库对应的类别中,有效地提高图像检索效率。     

基于排队论指导的K-Means聚类算法及其在TTC网络优化设计中的应用

提出了一种在K-Means算法基础上改进的聚类算法QSKM,对网络结点分组进行优化设计。我们利用排队论对网络通信中的呼叫与处理进行分析,确定最少分组数,作为K-Means聚类算法的初试K值,由此作为聚类算法的起点,对交换机数量、空间布局以及网络结点分组进行设计。通过对QSKM算法和传统K-Means算法的计算复杂度进行分析比较以及QSKM算法在北京航天飞行控制中心显示网络设计中的应用研究表明,QSKM算法是有效的,降低了传统K-Means算法的计算复杂度。在我们设计的QSKM算法中,排队论可以为K-Means聚类运算中K的初始选取提供指导,聚类算法利用网络特征对基于排队论的网络设计方法进行完善,从而得到最佳的网络分布方案。