基于模糊聚类的海水水质监测技术研究

海水水质监测数据纷繁复杂,为了在海量的数据中提取有效数据进行分析,采用模糊聚类实现对监测数据的分析处 理。对监测数据分析结构做了简要说明,接着分析模糊聚类C 聚类均值算法（FCM） 不足之处,提出了基于不完整数据样本 的FCM 算法,最后采用海水赤潮数据不完整样本进行实例仿真,实验证明,该算法在处理不完整样本数据时有一定的优势。     

基于模糊C均值聚类的云图样本修正与云类自动识别

基于云类样本的红外-可见光二维灰度空间投影,采用模糊聚类方法调整优化云类样本特征区域,消除采样误差。针对常规模糊C均值聚类(FCM)方法在处理上述问题时表现出的局限性,提出用样本特征均值替代FCM中随机初始中心的改进办法,既避免了常规FCM方法对初始中心敏感的缺陷,又可纠正其聚类结果对云类样本特征结构的歪曲。改进后的聚类结果既消除了采样误差,又保持了云类样本的基本特征属性。基于该判据的分类结果,可较为准确地分辨出陆地、水体、低云、中云、卷云、对流云和积雨云,分割判另9结果符合客观实际。     

基于遗传聚类算法的印度洋环境特征区划

利用全球海洋 Agro 观测计划提供的温、盐浮标资料,开展了印度洋海域水下环境特征提取与区划分析.在垂直方向运用Akima 方法对浮标剖面进行插值,提取一组表征跃层、声速场的特征指标,并针对常规模糊 C 均值聚类算法中初始聚类数难以客观选取和聚类结果易陷入局部最优等问题,利用遗传算法的全局搜索能力对聚类算法作了改进.通过在遗传进化过程中引入动态变化的聚类中心解决了聚类数难以客观确定的问题,并在该算法的生存策略中引入 Boltzmann 选择机制,提高算法的收敛速度.在对印度洋海域温、盐跃层、声速分布及层结稳定度分析的基础上,利用改进的遗传聚类方法对印度洋海域水下环境特征进行聚类区划,得到一个基本的特征分类构型,结合各类构型的典型特征,分析了对水下潜器活动、声纳探测和水声通信等的影响.     

基于模糊C均值聚类-支持向量机的海底沉积物分类识别

在总结了目前海底底质分类研究的基础之上,率先提出利用计算机数值模拟技术对海底底质进行分类识别研究。相较于目前海底底质分类研究中所使用的水槽实验法,提出采用计算机数值正演技术模拟实际地震勘探中数据采集过程。在分类识别算法上,分别采用支持向量机(SVM)和模糊C均值聚类(FCM)算法对采集的数据进行分类,为使支持向量机分类识别率达到最大,引入差分进化算法对支持向量机中关键参数进行最优化搜索,并研究了向原始地震记录中加入10%,30%,50%的高斯白噪音时算法的稳定性。在分析了这两种算法分类识别的正确率及其各自的优缺点后,提出了海底底质分类识别的两步法,即(1)先利用模糊C均值聚类进行一粗糙的预测分类,在每一类中挑选聚类性较好的数据作为支持向量机的训练样本;(2)将上一步中筛选的样本作为支持向量机的训练样本,并用差分进化算法优化支持向量机分类参数,再利用训练好的支持向量机对其余数据做预测分类。鉴于计算机数值模拟的可重复性、高效快速性及本文提出的模糊C均值聚类-支持向量机方法的鲁棒性,为便于开展进一步研究,归纳总结了一套行之有效的采用计算机数值模拟技术开展海底底质分类识别研究的一般化流程。     

多视角聚类的数值方法研究

针对Zhang等提出的多视角子空间聚类方法,本文给出了一种求解该非凸优化问题的方法并对其提出的算法进行了新的分析和改进。得到的主要结果包括：(1)选择一个好的近似解作为初始点,提高了算法的收敛速度和对全局最优解的收敛概率。(2)用MM思想重新推导出Zhang的方法,由此证明了一个新的收敛性定理;(3)改进了Wen提出的基于流形的正交约束算法并用于求解多视角子空间聚类模型,在算法中加入了初始点,大大提高了运行速度。通过对合成数据和实际数据的实验,验证了算法的有效性。     

基于模糊C均值聚类的高分辨率合成孔径雷达图像舰船目标检测

给出了一个基于模糊C均值聚类(FCM)的舰船目标检测算法。其中心思想是将SAR图像中的各像素点灰度值视为样本集,然后利用FCM算法对该样本集聚类,并利用聚类结果计算图像分割全局阈值。与目前流行的恒虚警率(CFAR)检测算法相比,所给检测算法具有参数少、计算量与图像大小成正比、舰船轮廓保持良好的特点,为高分辨率SAR图像舰船目标检测提供了一个新的选择。     

Kohonen网络在烟叶动态分类中的应用

针对输入为高维化学指标数据的烟叶分类问题 ,提出 1种改进的 Kohonen自组织特征映射神经网络的聚类方法。在数据预处理时 ,加入了领域专家经验 ,对输入特征向量中的各个分量分配不同的分类参与度 ;用 Gauss邻域函数替代了标准 Kohonen网络的方形邻域 ;在 2个学习阶段学习率和邻域宽度采用了不同的递减函数。通过应用证明了改进后的 Kohonen网络的收敛效果和聚类精度比 K- means聚类方法和标准的 Kohonen网络都有较大的提高。     

基于神经网络的规则提取及其渔业应用研究

为了解决远洋渔业中过度依赖经验而产生的盲目捕捞问题,结合海洋环境数据和历史产量数据对渔场进行有效分析,提出了一种基于径向基函数神经网络(Radial basis function neural network,RBFNN)的栖息地指数(HSI)预测方法,并将其应用于印度洋海域大眼金枪鱼(Thunnus obesus)栖息地指数的预测。在RBFNN训练过程中使用模糊C均值(Fuzzy c-means,FCM)聚类算法,在基于神经网络的规则提取过程中首次采用了和声搜索(Harmony search,HS)算法。实验研究表明,利用FCM改进后的RBFNN,均方误差(Mean square error,MSE)达到0.021 6。和声搜索由于算法简单,易于实现,能够应用于训练后的FCM-RBFNN提取分类规则,提取出的规则能够反映该渔业现状。     

基于改进Faster R-CNN的无人机航拍图像目标检测

无人机航拍图像中目标检测问题要求检测模型具有旋转不变性。针对这一问题,提出改进的Faster R-CNN算法。首先在区域建议网络中采用K-means聚类方法生成适应数据集的预设锚点框,其次在Fast R-CNN网络中引入新的特征提取层,并在模型多任务损失函数中增加旋转约束条件,为后续检测学习旋转不敏感特征。在人工采集的数据集上进行了对比实验,结果表明:在检测速度无明显降低的情况下,改进方法的检测精度提升了1.6%mAP,算法检测性能较优,更能满足实际应用需求。     

一种求解旅行商问题的改进蚁群算法

提出一种求解旅行商问题的改进蚁群算法。该算法在信息素更新过程中,利用信息素局部更新和全局动态更新结合的方法,使得当前最优路径上的信息素值能够动态地调配,避免算法陷入停滞状态;在局部搜索过程中,仅对部分走出更优路径的售货员使用2-opt方法,加快了最优解的收敛速度。仿真实验验证了算法的有效性,与其它算法相比,本文算法在解的质量和收敛速度上都显示出了良好的性能。