检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

支持向量聚类的UUV障碍物孤立点惰性检测

哈尔滨工程大学学报 2012年第11期33卷 1377-1383页

作者：严浙平迟冬南赵智赵玉飞哈尔滨工程大学自动化学院黑龙江哈尔滨150001

针对UUV避碰声呐探测障碍物过程中数据的弱可观问题,提出了基于支持向量聚类的障碍物孤立点惰性检测方法.利用基于支持向量的聚类算法将声呐探测的数据划分为噪声点,低威胁障碍物和威胁障碍物.由于噪声点和低威胁障碍物不会对UUV的航行... 详细信息

针对UUV避碰声呐探测障碍物过程中数据的弱可观问题,提出了基于支持向量聚类的障碍物孤立点惰性检测方法.利用基于支持向量的聚类算法将声呐探测的数据划分为噪声点,低威胁障碍物和威胁障碍物.由于噪声点和低威胁障碍物不会对UUV的航行造成威胁,所以根据其分布的随机性特点将其作为孤立点进行检测.为了避免探测数据的过早判定导致的对障碍物的过度估计及误判,提出了惰性算法来降低由原始数据的弱可观性和声呐的过度敏感性所带来的障碍物误判的概率.通过仿真试验和海试数据验证表明了该方法对障碍物数据中孤立点检测的有效性.

关键词： UUV 孤立点检测支持向量聚类惰性算法

在线全文

学校读者我要写书评

暂无评论

大型风电场动态等值的改进支持向量聚类算法

西安交通大学学报 2015年第5期49卷 94-99,115页

作者：滕卫军王锡凡石文辉西安交通大学电气工程学院西安710049 中国电力科学研究院北京100192

针对风速波动性强与风电场多样性导致的风机聚类参数多样化的特点,提出了一种基于支持向量聚类(SVC)的大型风电场动态等值聚类算法。该算法应用遗传算法实现簇标定,采用分段多目标函数迭代求解,保证了聚类结果的精度与速度,克服了传统SV... 详细信息

针对风速波动性强与风电场多样性导致的风机聚类参数多样化的特点,提出了一种基于支持向量聚类(SVC)的大型风电场动态等值聚类算法。该算法应用遗传算法实现簇标定,采用分段多目标函数迭代求解,保证了聚类结果的精度与速度,克服了传统SVC簇标定抽样判决的不足。应用样本轮廓值修正聚类结果,保证聚类结果的合理性,根据等值前后风机机端电压不变原则建立了电缆等值模型。以实际风电场为算例进行仿真,结果表明,该算法单次聚类时间为SVC的4%左右,采用遗传算法能够实现不同精度的等值机台数优化,得到的等值机与簇内单机的有功功率、无功功率动态特性具有较高一致性,轮廓值修正能够保证聚类结果的样本轮廓值都大于0。

关键词：大型风电场动态等值支持向量聚类遗传算法分段多目标函数

在线全文

学校读者我要写书评

暂无评论

基于加权双质心支持向量聚类的机群编队分组

系统工程与电子技术 2014年第11期36卷 2213-2218页

作者：齐玲辉张安曹璐西北工业大学电子信息学院陕西西安710129

针对机群编队分组问题,提出了一种加权双质心支持向量聚类算法。所提算法在支持向量训练时引入最大熵原理,快速求解Lagrange乘子;针对样本特征对聚类结果的贡献不同,在聚类标识过程中,引入加权密度质心,提出了加权双质心聚类标识,并在... 详细信息

针对机群编队分组问题,提出了一种加权双质心支持向量聚类算法。所提算法在支持向量训练时引入最大熵原理,快速求解Lagrange乘子;针对样本特征对聚类结果的贡献不同,在聚类标识过程中,引入加权密度质心,提出了加权双质心聚类标识,并在典型数据集上验证了所提算法的有效性。通过对机群编队分组模型的描述,建立了机群聚类时一个目标点需要的特征集,完成了编队分组的仿真实验。仿真结果表明了所提算法能够针对应用的具体样本集实行快速聚类分析,并保证聚类结果的有效性。

关键词：支持向量聚类最大熵加权双质心机群编队分组

在线全文

学校读者我要写书评

暂无评论

基于支持向量聚类的多分量线性调频信号检测

电子与信息学报 2007年第11期29卷 2661-2664页

作者：王令欢马红光张欣豫张葛祥第二炮兵工程学院西安710025 西南交通大学电气工程学院成都610031

为了精确获取多分量线性调频(Linear FM,LFM)信号中分量的数量,该文引入支持向量聚类(Support Vector Clustering,SVC)算法对LFM信号的Radon-时频分析结果进行聚类分析,完成多个分量的检测;并通过减少SVC算法中输入集样本数量和改进聚... 详细信息

为了精确获取多分量线性调频(Linear FM,LFM)信号中分量的数量,该文引入支持向量聚类(Support Vector Clustering,SVC)算法对LFM信号的Radon-时频分析结果进行聚类分析,完成多个分量的检测;并通过减少SVC算法中输入集样本数量和改进聚类标识方法为"直接聚类标识"法,提高了SVC算法的计算效率。仿真结果表明:在较低信噪比条件下,Radon-时频分析和SVC结合的方法可有效地检测多分量LFM信号中分量数和进行参数估计。

关键词：支持向量聚类聚类标识信号检测参数估计

在线全文

学校读者我要写书评

暂无评论

简约支持向量聚类

计算机研究与发展 2010年第8期47卷 1372-1381页

作者：凌萍王喆周春光黄岚符号计算与知识工程教育部重点实验室（吉林大学）长春130012 徐州师范大学计算机科学与技术学院江苏徐州221116

针对传统支持向量聚类(support vector clustering,SVC)的高耗费和低性能弊端,提出了简约支持向量聚类算法(reduced support vector clustering,RSVC).RSVC的核心是简约策略和新的簇划分方法.前者是基于薛定谔方程而设计,提取对模型生... 详细信息

针对传统支持向量聚类(support vector clustering,SVC)的高耗费和低性能弊端,提出了简约支持向量聚类算法(reduced support vector clustering,RSVC).RSVC的核心是简约策略和新的簇划分方法.前者是基于薛定谔方程而设计,提取对模型生成有重要意义的数据构成简约子集,并在此子集之上完成优化过程.后者提出并证明了高斯核函数特征空间的几何性质,并以此设计方法完成对数据簇的辨识任务.理论分析和实验结果表明,和同类算法相比,RSVC可更有效地解决两个弊端,在实际应用中取得良好的聚类效果.

关键词：支持向量聚类简约策略薛定谔方程新的簇划分方法特征空间几何性质

基于快速支持向量聚类和相似熵的多参雷达信号分选方法

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2011年第11期33卷 2735-2741页

作者：王世强张登福毕笃彦雍霄驹空军工程大学工程学院

该文针对现有聚类算法在雷达信号分选应用中复杂度高,准确性低的问题,研究了一种基于锥面簇分配的支持向量聚类算法,该算法在数据空间进行簇分配,避免了特征空间中计算邻接矩阵带来的高复杂度问题。该文将此算法引入雷达信号分选中,并... 详细信息

该文针对现有聚类算法在雷达信号分选应用中复杂度高,准确性低的问题,研究了一种基于锥面簇分配的支持向量聚类算法,该算法在数据空间进行簇分配,避免了特征空间中计算邻接矩阵带来的高复杂度问题。该文将此算法引入雷达信号分选中,并在此基础上对其进行改进,使改进后的算法能对异常值做进一步处理,以达到缩短消耗时间的同时提高正确率的目的。同时以信息熵的理论描述类内聚集度和类间分离度,应用相似熵指标验证分选效果的有效性。仿真结果表明,该方法在提高分选正确率的同时可以有效降低计算复杂度。

关键词：雷达信号分选支持向量聚类锥面簇分配相似熵指标

基于Contourlet变换和支持向量聚类的遥感图像融合方法

在线全文

学校读者我要写书评

暂无评论

宇航学报 2009年第5期30卷 2056-2061页

作者：吴一全李晓燕南京航空航天大学信息科学与技术学院南京210016

Contourlet变换作为新的多尺度分析方法比小波变换更适合分析二维图像的边缘特征,而支持向量聚类算法所获得的聚类效果不受聚类形状限制,也勿需预先给定聚类数目等参数。据此提出了一种基于Contourlet变换和支持向量聚类的遥感图像融合... 详细信息

Contourlet变换作为新的多尺度分析方法比小波变换更适合分析二维图像的边缘特征,而支持向量聚类算法所获得的聚类效果不受聚类形状限制,也勿需预先给定聚类数目等参数。据此提出了一种基于Contourlet变换和支持向量聚类的遥感图像融合方法。首先对源图像进行Contourlet变换,再对其高频系数利用支持向量聚类进行融合,最后进行图像重构得到融合结果。给出了实验结果,采用均方差、信噪比、信息熵、空间频率、清晰度和相关系数等评价指标对融合效果进行了定量评价,并与加权平均法、现有的基于Contourlet变换的图像融合方法以及基于支持向量聚类的图像融合方法进行了比较。结果表明提出的基于Contourlet变换和支持向量聚类的遥感图像融合方法能取得更优越的融合效果。

关键词：遥感图像处理图像融合 Contourlet变换支持向量聚类

在线全文

学校读者我要写书评

暂无评论

基于支持向量聚类的多聚焦图像融合算法

软件学报 2007年第10期18卷 2445-2457页

作者：张诚成胡金春清华大学计算机科学与技术系

从无监督机器学习角度提出了一种基于SVC(support vector clustering)的图像融合规则,解决了基于SVM(support vector machine)的融合规则在处理多聚焦图像融合问题时所引起的区域混叠与非平滑过渡问题,进一步提高了融合图像的质量.使用... 详细信息

从无监督机器学习角度提出了一种基于SVC(support vector clustering)的图像融合规则,解决了基于SVM(support vector machine)的融合规则在处理多聚焦图像融合问题时所引起的区域混叠与非平滑过渡问题,进一步提高了融合图像的质量.使用非降采样离散小波变换对源图像进行多分辨率分解,基于网格提取源图像的特征.图像特征集合作为SVC的输入数据集,聚类结果最终由区域鉴别算法分配到两个区域:互补信息区域和冗余信息区域,并分别采用选择法和加权平均法生成融合图像的多分辨率表示,通过对这一多分辨率表示进行小波逆变换重构融合图像.详细研究了SVC的参数q与融合效果的评价参数RMSE之间的关系.理论分析及实验结果均表明,SVC用于图像融合问题是合适的,而且比较实验显示,基于SVC的融合规则优于基于SVM的融合规则.

关键词：支持向量聚类支持向量机图像融合多分辨率分析融合规则

在线全文

学校读者我要写书评

暂无评论

基于粗糙集的支持向量聚类方法

吉林大学学报（工学版） 2007年第4期37卷 851-853页

作者：王波魏伟杰张斌张明卫东北大学信息科学与工程学院沈阳110004

针对支持向量聚类(Support Vector Clustering,SVC)的软核,引入了粗糙集的理论。通过粗糙集的上下边界,对SVC算法的核函数进行改进。通过聚类过程,算法不仅可以有效处理边界点,发现任意形状的软聚类集,还可以通过交互参数调整,控制结果... 详细信息

针对支持向量聚类(Support Vector Clustering,SVC)的软核,引入了粗糙集的理论。通过粗糙集的上下边界,对SVC算法的核函数进行改进。通过聚类过程,算法不仅可以有效处理边界点,发现任意形状的软聚类集,还可以通过交互参数调整,控制结果的软边界。基于粗糙集的SVC解决了不确定边界的归类问题,而不需要额外的计算开销。实验结果表明算法能有效地处理软边界,同时也证实了算法的正确性。

关键词：计算机软件聚类支持向量聚类粗糙集基于粗糙集的SVC Lagrange函数