针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图...
详细信息
针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图像中给定的相似邻域结构的像素提取当前像素的非局部空间信息;其次,计算每个像素的典型性,并对其进行排序,在每次迭代中更新像素的典型性,提高像素聚类的准确性,解决在聚类过程中存在相似类导致的误分类问题;最后,引入子空间聚类概念,为图像不同维度分配适当的权重,提高彩色图像的分割性能.在含噪合成图像和公开数据集BSDS500,MSRA100和AID上实验结果表明,所提算法的模糊划分系数、模糊划分熵、分割精度和标准化互信息平均值分别达到了95.00%,6.66%,98.77%和95.54%,均优于对比的同类算法.
软测量技术为工业过程中重要变量及难测变量的预测提供了一个有效的解决办法。然而,由于工业过程的复杂化和高昂的数据获取成本,使得标记数据与未标记数据分布不平衡。此时,构建高性能的软测量模型成为一个挑战。针对这一问题,提出了一种基于时差的多输出tri-training异构软测量方法。通过构建一种新的tri-training框架,采用多输出的高斯过程回归(multi-output Gaussian process regression,MGPR)、相关向量机(multi-output relevance vector machine,MRVM)、最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)三种模型作为基线监督回归器,使用标记数据进行训练和迭代;同时,引入时间差分(time difference,TD)改进模型的动态特性,并通过卡尔曼滤波(Kalman filtering,KF)优化模型的参数,提高其预测性能;最后通过模拟污水处理平台(benchmark simulation model 1,BSM1)和实际污水处理厂对该模型进行了验证。结果表明,与传统的软测量建模方法相比,该模型能显著提高数据分布不平衡下软测量模型的自适应性和预测性能。
暂无评论