核空间聚类在图像纹理分类中的简化算法

模糊c均值聚类已广泛应用于模糊模式识别领域,但对于线性不可分数据并不适用.在核方法中通过将输入数据经过非线性映射投影到高维特征空间来解决非线性分类的问题.将传统的模糊c均值聚类算法应用于核空间中,对线性不可分的样本进行了核空间聚类的分类实验,得到了正确的分类结果.由于图像分类中分类样本(对应图像像素)数目庞大,造成了核空间聚类算法中特征距离的计算量过大.因此,在核空间聚类的基础上,提出了对图像先进行过分割,再对过分割的图像块进行核空间聚类的方法,大大降低了高维空间特征距离计算的运算成本,并取得了良好的分类效果.      

基于阈值的激光雷达K均值聚类算法

针对同一距离不同目标的激光雷达全波形回波数据聚类准确率低的问题,在分析K均值聚类算法原理的基础上,提出了一种基于阈值的K均值聚类算法。首先,利用强度信息对距离信息进行标定,使用强度信息作为特征进行聚类以区分同距离的不同目标。然后,利用阈值限定聚类中心间的最小距离,提高聚类准确率。最后,搭建了扫描验证平台进行平移和旋转成像,对算法有效性进行验证。通过不同颜色目标和模拟道路回波数据聚类实验表明,在不同阈值的情况下,提出的基于阈值的K均值聚类算法的聚类准确率均在90%以上,相比于无阈值的K均值聚类算法准确率提升10%以上,能够有效进行目标聚类和模拟道路提取。      

基于核方法的聚类算法及其应用

在分析核方法的核心概念基础上,提出了一种基于核方法的聚类算法.通常,传统聚类算法只在数据特征差异较大时才有效,当数据特征差异较小时,很难取得较好的聚类效果.引入核函数,将原始数据由数据空间映射到特征空间,在特征空间中进行聚类.核函数的非线性映射使得原始数据的特征更完整地显现出来,从而能够更客观准确地聚类.与传统聚类方法相比,该方法聚类结果更客观有效.以16组实际数据为例,将该方法应用于数据分类研究中,聚类结果表明了该方法的可行性和有效性,从而为数据分类提供了一种新的可行方法.      

一种基于OPTICS聚类的仅测角导航目标检测算法

仅测角自主导航方法具有设备简单、复杂度低,功耗低的优点,在空间任务中具有广泛的应用前景.针对中远距离下空间目标特征少的特点,提出了一种利用基于OPTICS聚类算法的空间目标检测方法,可用于仅测角导航过程中的目标检测.对原始星图进行预处理提取星点及目标点,并结合星图识别的结果选择部分帧,使用经过改进的OPTICS聚类方法获得目标运动轨迹.最后,使用本文中的算法对软件仿真出的含有目标的高精度星图进行处理验证了算法的可行性.在卫星相对于空间目标抵近过程中,目标检测的水平误差及垂直误差小于0.15°的帧数分别占到了85.4%以及99.6%.相比AVANTI实验中的目标检测方法,减少了在轨任务中相关参数的调节,进一步提升了算法的自主性.     

面向天基监视的红外弱小飞行目标识别算法

针对当前红外弱小飞行目标特征不明显、背景干扰大等问题,提出了一种基于深度学习的红外弱小目标识别算法。检测框架以YOLOv4模型为基础,通过使用K-means++算法对训练集的候选框进行聚类处理,在初始大小的选取上放弃随机生成初始点的方式,在样本集里选取某一个样本作为初始中心使锚框（anchor）大小的选取更加合理。在模型结构中引入卷积注意力模块,使算法模型计算资源分配更合理,对红外弱小飞行目标的特征信息更加敏感。改进空间金字塔池化模块,使用平均池化可以更多保留图像的原始信息,降低天基成像中的噪点与坏点的影响。仿真实验表明采用K-means++计算Anchor大小时准确率可以达到80.13%,在加入了SPP和CBAM模块后之后在测试集上算法识别准确率达到了83.3%,经过对模型的修改有效提升了对红外弱小飞行目标识别的准确率。     

智能监控场景中运动目标轨迹聚类算法

轨迹分析是视频监控场景理解的基础,但由于遮挡等原因,跟踪过程会出现不完整的噪声轨迹,导致分析结果不准确.针对此类问题利用改进的轨迹相似度度量和聚类方法进行场景区域分割.首先,对轨迹进行编码,提出利用轨迹的空间特征和速度方向特征改进相似性度量方法计算轨迹间距离;其次,采用改进的层次聚类算法,以该类最长轨迹作为运动物体行为模式代表,将在空间上接近且具有相似速度特征的轨迹划分为同一场景区域,得到符合实际情况的聚类结果.本算法无需对轨迹进行复杂的预处理或过滤,并且加入速度方向特征使区域划分更加合理.最后,在真实场景下,验证了该聚类算法的有效性和普遍适用性.     

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

基于D-OPTICS算法的网约车载客热点区域挖掘

为准确分析网约车载客高需求热点区域，考虑载客热点聚类中车辆行驶距离的约束，采用结合Dijkstra寻路算法的OPTICS算法，提出寻路密度OPTICS(D-OPTICS)算法。DOPTICS算法利用车辆轨迹数据进行空间聚类研究分析载客热点区域。通过道路网络拓扑结构提取各路段节点，采用Dijkstra算法进行寻路并以路段为单位提取邻域范围内载客点进行聚类。将成都市网约车轨迹数据进行热点区域的挖掘和分析。与传统OPTICS算法相比，所提算法考虑了道路距离的约束，提高了载客热点聚类稳定性和精度，获取的载客热点区域更贴合实际情况。     

基于积谱的雷达目标高分辨率距离像识别

针对飞机目标的识别问题,将一种用于语音识别中的积谱特征引入雷达目标一维距离像识别领域.积谱定义为功率谱与群延迟的乘积,该特征能够充分利用目标一维距离像的幅度谱与相位谱信息.在目标分类阶段,选择基于弹性传播(RPROP)算法的多层前馈神经网络作为分类器.利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维纵向距离像,对距离像积谱的分类性能进行了测试,结果表明基于积谱的特征对于一维距离像具有较高的识别率,并具有较好的抗噪性能.      

基于深度神经网络的空间目标结构识别

利用空间目标雷达散射截面(Radar Cross Section, RCS)序列开展空间目标结构识别是空间态势感知的重要组成部分。文章针对 RCS序列受目标物理特性、姿态特性影响大,序列信号非平稳特征明显的问题,利用深度神经网络（Deep Neural Network,DNN）算法解决空间目标结构特征识别的问题;针对特征提取不具区分度的问题,提出利用分形分析提取RCS序列的分数维特征,并利用Fisher判决率对传统特征进行选取;介绍了DNN算法以及数据处理过程;最后,利用一组仿真测试数据对算法进行了仿真验证。分析结果表明,DNN算法在解决利用RCS序列进行目标结构识别这一问题中具有鲁棒性强、识别准确的特点。     

一种改进的多目标粒子群优化算法

为了增强多目标粒子群优化算法的收敛性与多样性,提出一种改进的多目标粒子群算法.采用Kent映射对种群进行初始化,并将目标空间均匀划分为若干扇形区域;基于一种新的多样性和收敛性判定标准,选取合适的收敛性最优解和多样性最优解,并提出一种改进的粒子群更新公式进行全局搜索;采用聚类算法对外部种群与坐标轴夹角进行分析,维护外部种群.通过标准测试函数的仿真实验,与多目标优化算法基本MOPSO(Multi-objective Particle Swarm Optimization Algorithm)和NSGA-II(Nondominated Sorting Genetic Algorithm II)进行对比,结果表明了该改进算法的有效性.     

基于无监督学习和粒子滤波的非视距信号检测

全球卫星导航系统(GNSS)是目前应用最广泛的定位技术,研究城市峡谷中的定位问题时,由于高楼大厦的阻塞,仍存在非视距传播导致的性能退化问题。为此,提出了无监督学习粒子滤波(UL-PF)算法。在卫星信号分类阶段,使用核k-means聚类的无监督学习分类方法,在定位阶段,使用通过聚类算法优化的粒子滤波方法。所提算法考虑了采样粒子在状态空间分布中的内在相似性,探索在每个聚类中选择一个粒子作为重要粒子,利用时间序列相关技术提高重采样粒子集的多样性。实验表明：在城市场景中,所提算法的平均定位精度从传统算法的15 m提高到约5 m,收敛时间从500 s缩短到200 s左右。     

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

基于SABA优化的Volterra级数空战目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题,通过分析并结合目标机动轨迹时序数据所具备的混沌特性,引入Volterra泛函级数模型进行目标机动轨迹预测。为解决Volterra泛函级数模型中存在高阶核函数难以求解的问题,利用变异机制和自适应步长控制机制改进蝙蝠算法的寻优能力,进而构建了一种基于自适应蝙蝠算法（SABA）优化的Volterra泛函级数目标机动轨迹预测模型,并利用优化后不同阶数的Volterra泛函级数模型对目标未来机动轨迹进行预测。仿真实验中,通过与其他优化算法改进的Volterra泛函级数模型的预测精度对比,验证了所提预测模型的可行性,同时也说明了二阶Volterra泛函级数模型更加适用于目标机动轨迹预测。      

具有容错特性的两层数据流聚类方法

提出一种具有容错能力的进化数据流聚类算法FTGDStream (Fault-Tolerant Grid-Density Clustering over Data Stream),通过在聚类过程中引入适当的松弛条件,从而在含有噪声的真实世界数据中获取更加泛化的有用知识.首先利用基于相似性度量和小波技术的HLSFTS (Hierarchical Lifting Scheme Fault-Tolerant Synopses)层次概要数据结构实现在线微聚类过程,然后采用基于网格密度的聚类算法实现离线宏聚类过程.在线算法所构造的小波概要数据结构对原始数据的高压缩率降低了离线网格密度聚类算法的计算负载,提高了二层数据流聚类算法的效率.在UCI数据集上的仿真实验结果表明,FTGDStream算法可以聚类任意空间形状的数据并且适用于高维数据流环境,是一种具有容错能力的高效数据流聚类算法.     

空间非合作目标的相对导航粒子滤波算法

针对激光交会雷达作为在空间交会对接过程中的相对导航敏感器,研究了未来特殊背景下,非合作目标航天器对雷达信号发射干扰的情况下的相对导航滤波算法.针对高维模型计算量大的特点对传统粒子滤波算法进行了改进,并与扩展卡尔曼滤波器进行了仿真比较,仿真结果表明改进后的粒子滤波器的滤波效果远远优于扩展卡尔曼滤波器,且计算量优于传统粒子滤波.