数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Cluster...
详细信息
数据挖掘中如何根据数据之间的相似度确定簇(Cluster)数一直是聚类算法中需要解决的难题。文中在经典谱聚(Spectral Clustering)算法的基础上提出了一种基于特征间隙检测簇数的谱聚类算法(Spectral Clustering with Identifying Clustering Number based on Eigengap,SC-ICNE)。通过构建规范的拉普拉斯矩阵,顺序求解其特征值和相应特征向量,并得到矩阵相邻特征值的间隙,通过判断特征间隙的位置来确定簇数k。最后,通过对前k个特征向量的k-means算法实现数据集的聚类。文中通过仿真分析了高斯相似度函数对SC-ICNE聚类性能的影响,在非凸球形数据集和UCI数据集上进行了性能仿真,并和k-means聚类算法进行了对比,在检测簇数和聚类准确性方面,验证了SC-ICNE算法的有效性。
视频传输中端到端失真的估计可为视频编码与传输过程采用更为有效的编码与传输策略提供依据。通过分析包含错误掩盖的H.264视频传输的端到端失真过程以及图像结构相似性估计(structural similarity index measurement,SSIM),给出了帧间...
详细信息
视频传输中端到端失真的估计可为视频编码与传输过程采用更为有效的编码与传输策略提供依据。通过分析包含错误掩盖的H.264视频传输的端到端失真过程以及图像结构相似性估计(structural similarity index measurement,SSIM),给出了帧间错误继承系数估计值,并在此基础上推导出了一种结合一阶矩的端到端失真估计的递归计算模型。该模型可由原始视频序列特性及编码参数、传输系数给出端到端失真估计值,而无需统计编码器编码信息,进一步,通过引入失真反馈,可获得更准确的失真估计值。仿真实验表明,该模型在无反馈与结合反馈的情况下均能较准确地估计端到端失真。
暂无评论