基于RGB颜色空间的猪肉大理石纹分割

自然光或白炽灯照射下的猪肉图像会因反光作用导致亮斑噪声,且猪肉大理石纹纹理具有细小、分布较散等特点,不利于大理石纹识别。针对上述问题,通过对比多种光源条件,找到最佳拍摄环境,避免图像出现亮斑噪声。提取猪背最长肌横截面图的RGB颜色空间的R、G、B 3个颜色分量图,分别用阈值分割法、模糊C均值聚类分割算法(FCM)和基于高斯核的模糊C均值聚类分割算法(KFCM),对R、G、B分量图进行分割试验,通过图像处理技术自动识别出猪肉大理石纹,研究结果表明KFCM算法在R分量图上的分割结果最优。     

海量数据分类中的模糊区域判定算法研究

针对传统的K-means聚类算法在海量数据分类中,对数据模糊分解区域判定不敏感,容易陷入局部优化解,无法实现海量数据的模糊聚类的问题,本文设计一种用于海量数据分类的模糊区域判定算法,通过计算大数据模糊区域状态特点的参量,进行大数据最优聚类中点的选取,在聚类中心区域创建任意下单个数据的互通,对每个微小数据特征实现互通;通过计算隶属度以及确定聚类数的方式,解决被隐藏在海量数据中的模糊区域真实边界,实现对海量数据模糊区域的聚类求解。结果说明,所提算法能得到精确的模糊聚类效果,提高海量数据的模糊聚类效率。     

基于SAGA-SVR预测模型的水稻种子 水分含量高光谱检测

[目的]利用高光谱技术测定水稻种子的水分含量,为其品质监测和筛选提供参考依据,从而提高水稻良种筛选率.[方法]通过电烘箱恒重法制备120份不同水分含量的水稻种子样本作为研究对象,利用多项式平滑(Savitz-ky-Golay,S-G)算法对原始光谱数据进行降噪平滑处理,采用连续投影算法(Successive projections algorithm,SPA)对预处理后的数据进行特征波长的优选.为提高建模效率,提高各水分含量区间光谱特征值的区分度,使用模糊C-均值聚类(Fuzzy C-means clustering,FCM)算法对各区间的样本数据进行聚类处理,最后利用支持向量回归机(Sup-port vector regression,SVR)定量检测模型建立特征光谱数据与水稻种子水分含量的映射关系.[结果]由于FCM未达到预期的聚类效果,而引入遗传模拟退火算法(Simulated annealing genetic algorithm,SAGA)进行聚类,分别对基于原始特征值、FCM及SAGA聚类的SVR训练结果进行比较,发现基于SAGA聚类的光谱样本数据训练效果更好,预测集决定系数可达0.8956,均方根误差3.75%.由于决定系数不够理想,引入松弛变量降低间隔阈值,最终模型预测集决定系数为0.9286,均方根误差为3.42%,此时模型达最佳性能,能满足实际应用需求.[建议]基于聚类算法,提高光谱数据的准确性;通过合理调整模型参数,提高预测模型性能;推动高光谱农产品检测相关装备的研制.     

加权空间模糊动态聚类算法在土壤肥力评价中的应用

 【目的】改进和提高空间模糊聚类算法。【方法】首先利用层次分析法得到各属性的权值,然后将权值与空间模糊动态聚类法相结合,最后利用概率统计中的F分布来确定最佳分类,以提高空间模糊聚类算法的智能性。【结果】加权空间模糊动态聚类算法与基于模糊等价关系的传递闭包方法进行比较表明,当λ取0.993时,F值最大,分类效果最好。此时,加权的F值为4.898,未加权的F值为2.957,说明加权的类间的差距比未加权的明显,即该算法聚类准确率要明显高于未加权的模糊聚类算法。【结论】将其改进的算法运用到精准农业的土壤肥力评价中,试验结果与实际情况相符,证明了该算法的有效性。     

基于蚁群聚类算法的离心式压缩机故障诊断方法

工业化生产水平的提高使得离心式压缩机不断朝着大型化、复杂化、连续化及自动化方向发展,设备故障造成的损失越来越大,研究其故障诊断方法对于提高设备故障在线检测能力、预防故障与事故的发生具有积极意义。采用电涡流传感器测量离心式压缩机联轴节侧径向位移信号,应用频域分析方法对采集到的信号数据进行傅里叶变换,获得对故障敏感的特征量,作为蚁群聚类算法输入的特征参数,将对故障识别转化成对于设备运行时的输出和状态特征的聚类问题。将蚁群聚类算法应用于某乙烯厂的离心式压缩机,对其正常运行、转子不平衡故障、油膜涡动故障、喘振故障4种状态进行模式识别。应用结果表明:基于蚁群聚类算法的离心式压缩机故障诊断方法诊断结果准确、识别率高。(表3,参20)     

基于CEEMDAN-DFA与FCM聚类算法的大地电磁强噪声识别与抑制

CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise,自适应噪声的完备经验模态分解)-DFA(detrended fluctuation analysis,去趋势波动分析)滤波算法首先将含噪信号进行CEEMDAN分解,并以DFA方法提供的标度指数为依据,然后从分解得到的本征模态函数中自适应地选取有用的分量去重构信号.仿真试验表明,在不同信噪比背景下,该方法相对于小波阈值和EMD(empirical mode decomposition,经验模态分解)-DFA方法具有一定的优越性.此外,选用模糊熵与短时能量作为模糊C均值(Fuzzy C-means,FCM)聚类算法的特征参数,对受典型强噪声干扰的大地电磁信号进行信噪识别,获得了较好的识别效果.鉴于此,将这2种算法相结合对实测信号中受到强干扰的部分进行识别与噪声抑制.结果表明,该方法能有效地克服传统整体滤波处理产生的过处理现象,在压制强噪声的同时能较好地保留实测数据中有用的低频成分.     

面向分类数据的重叠子空间聚类算法SCCAT

改进了面向分类数据的重叠子空间聚类算法(ROCAT),提出了面向分类数据的重叠子空间聚类算法(SCCAT).利用数据凝聚力模型(DCC)代替ROCAT的数据压缩模型以提高算法精度;将源数据集分为样本内数据集和样本外数据集,采取对样本内数据聚类,对样本外数据分类的方法完成聚类来降低算法复杂度.实验结果表明SCCAT在提高算法精度的同时,也降低了算法的时间复杂度和空间复杂度,适用于大规模数据的处理.     

基于小波包变换和神经网络的油井故障诊断方法

为精确诊断机械采油井的系统故障,提出一种基于小波包特征向量的神经网络故障诊断方法。对采集到的悬点位移和悬点载荷数据进行3层小波包分解,构造小波包特征向量,并以此为故障样本对3层BP神经网络进行训练,考虑到传统BP算法的局限性,采用改进的遗传算法训练网络权值,进而实现油井系统的智能化故障诊断。试验结果表明,训练好的神经网络能够很好地诊断出采油井故障类型。     

一种基于数据驱动的系统建模方法

提出了一种基于数据驱动的系统建模方法,采用减法聚类和模糊C-均值聚类相结合的模糊聚类算法进行前件RBF网络辨识,自适应地获得精确的聚类个数和隶属度参数;用BP算法训练后件网络的权值,从而仅利用输入输出数据,就建立了T-S模糊神经网络模型,在该过程中充分利用了BP神经网络和RBF神经网络的优点。最后用该模型对一个非线性系统进行辨识,用MATLAB进行仿真,结果表明,该方法具有可行性。     

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果.结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率.     

模糊C-均值聚类对点云数据的分割

点云数据的分割是点云数据处理流程中的重要内容,同时也是点云数据三维重建的前提和基础.该研究在模糊C-均值聚类(FCM)算法的基础上,根据标靶点云和建筑物点云数据的不同特征进行实验,通过Matlab对地面雷达的标靶、建筑物点云数据进行分割,探讨模糊C-均值聚类算法对点云数据分割的可行性.实验结果显示,通过选择正确点云数据的特征属性,利用模糊C-均值算法对点云数据分割具有一定的可行性.     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposition,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural network,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于概率神经网络的液压泵故障诊断

液压泵是液压系统的核心,其运行状态的好坏直接影响整个系统的性能。针对液压泵工作过程中出现的故障,运用神经网络方法进行故障诊断具有显著优势。分析概率神经网络基本结构以及训练算法,建立液压泵故障分类的概率神经网络模型。运用采集数据针对分析计算结果表明,基于概率神经网络的故障诊断方法是一种有效的故障诊断方法。     

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AdaBoost算法的图像自动标注

把图像的自动标注过程转化为图像分类的过程,首先按照视觉特征对图像进行分割,提取训练图像每个区域的底层特征信息,构成训练集;然后采用AdaBoost集成分类算法,建立相应特征区域与类标签值的对应关系;再利用训练集中的分类模型对待标注区域进行分类,得到各个区域的类标签值,实现图像的自动标注.基于Corel-5k数据集的实验表明,相比其它经典算法,AdaBoost集成算法提高了运算速度,且能保持稳定的分类精度,在图像标注方面有良好的应用.     

基于双空间特征提取的变压器故障诊断模型

为了提高基于油中溶解气体分析(dissolved gas analysis, DGA)的变压器故障诊断正确率，弥补单子空间特征提取的局限性，提出了基于双子空间特征提取的变压器故障分层诊断模型.首先，将DGA测试样本在一个子空间内进行特征提取后，为避免核函数及其参数的选择难题，以及利用多核支持向量机(multiple-kernel support vector machine, MKSVM)鲁棒性强和精度高的特点，采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本，对易分类样本直接进行分类识别；对难分类样本则将该样本再次投影到另一子空间进行特征提取后，同样采用MKSVM作为分类器对难分类样本进行预测，综合两次预测结果进行分类识别，实现两分类MKSVM的双子空间特征提取算法.最后，根据故障特征，建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明，该模型具有较高的诊断正确率和推广能力.     

基于网格带有参考参数的扩展聚类算法

作者在前期研究工作中提出了一种基于网格的带有参考参数的聚类算法(GRPC),该算法从用户的角度去看待聚类,最大程度地避免用户设置聚类参数的盲目性.本文对GRPC算法在高维性和可伸缩性两方面进行了扩展,将高维数据空间的聚类工作分解到二维数据空间来进行,并采用随机抽样技术来处理大规模的数据集.实验仿真表明,该算法能在三维及其以上的数据空间有效地聚类较大规模数据集.     

基于邻域粗糙集的支持向量机在污水处理故障诊断中的应用

提出了利用基于邻域粗糙集的支持向量机算法实现污水处理过程中出现故障的自动诊断.首先,对污水处理厂收集的监控数据进行预处理;其次,利用邻域粗糙集模型中对象邻域的上、下近似,寻找2种类别的交界部分,从而减小问题规模;然后,通过对交界部分样本进行混淆度分析,剔除异常样本或噪声数据;同时对样本集进行属性约简与加权处理;最后,在约简集上进行支持向量机的训练与测试.将试验结果与传统支持向量机方法的结果进行比较,表明该方法不仅提高了故障诊断的效率,而且降低了问题的复杂程度,同时还保持了较好的推广性能.     

基因表达数据聚类分析方法的比较

通过生物信息学分析方法,利用广泛使用的基因芯片技术产生的数万个基因表达数据,揭示基因的功能和相互作用。聚类分析是一种主要的生物信息学分析方法,能高效发掘功能一致的基因。针对基因表达谱聚类分析方法较多、应用者选择方法困难的问题,本研究利用3组基因表达谱模拟数据和1组酵母菌基因表达实际数据,通过Caliński-Harabasz指数、灵敏值和分类正确率3个指标,比较了平滑样条聚类、数量性状关联聚类和局部逼近模糊聚类法3种经典方法。结果表明:平滑样条聚类法的Caliński-Harabasz指数平均数最大,灵敏值平均数最小,分类正确率最大,为最优方法;数量性状关联聚类次之,局部逼近模糊聚类最差。这一结果为今后基因表达谱数据聚类分析方法选择提供了参考依据。     

基于熵权法加权的模糊C均值聚类算法研究

针对模糊C均值聚类算法不能区分数据各属性之间的不平衡性,提出了一种基于熵权法加权的模糊C均值聚类算法。该算法首先应用熵权法计算各属性的权重系数,然后对标准化之后的原始数据进行加权,最后应用模糊C均值聚类算法对加权之后的数据进行聚类。实验表明,该算法聚类准确率要明显高于未加权的模糊C均值聚类算法。