数据融合中基于聚类的成员系统选择算法

来源 :计算机与数字工程 | 被引量 : 0次 | 上传用户:youyou061017
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
数据融合是一种利用多种检索系统优势来增强检索结果的技术,当候选成员系统数量过多时,融合结果性能并未随之提升.论文提出了一种基于变色龙层次聚类和序列前向的选择算法(RFS),该方法首先评估所有检索结果列表的相关性进行聚类,之后使用序列向前算法从不同的簇中挑选成员系统组用于数据融合,实验结果表明该算法能有效地筛选出较优的成员系统组,从而显著改善融合性能.
其他文献
由于支持向量机(Support Vector Machine,SVM)在高维度、非线性等情况下仍具有极高精确性故而被广泛应用于地形识别领域研究.在复杂的地形环境以及数据的不平衡等环境下,SVM可能会因为缺少较强的鲁棒性导致分类结果并不理想.论文以提高复杂地形环境下分类算法精确度为目的,在研究了深度信念网络(Deep Belief Network,DBN)[1]与支持向量机(Support Vector Machine,SVM)的基本理论并进行有效结合后应用于地形识别领域.算法大致为将地形图片通过初始构建的
当前交通道路中,存在许多有毒尾气排放超标的车辆,严重污染空气、损害人体健康.目前黑烟车辆检测多采用人工方法或者基于手工特征提取的传统机器学习方法,耗力耗时且难以全面实时监控.论文率先将基于卷积神经网络的目标检测框架CenterNet作为视频监控交通场景下黑烟车辆检测的基本解决方案,并针对实验结果进一步改进上述结构,提出基于注意机制的双分支黑烟车辆检测网络,使用双主干网络提取有针对性的特征表示,对于双主干网络的特征融合引入注意机制.实验结果表明,在黑烟车辆数据集下的AP达到黑烟92.53、车辆97.84,相
针对现有情感分析模型将卷积神经网络(CNN)和循环神经网络(RNN)建模分离的状况,论文提出了一种基于双向长短期记忆网络(Bi-LSTM)和CNN相结合并带有注意力机制(Attention)的文本分类模型.模型先获取上下文语义特征,再融合局部语义特征,同时对每一时刻的特征信息给予多个不同权重关注.实验表明,该模型可以有效地增强分类语义特征的捕获能力,比使用单一神经网络或者它们的任意两两组合,该模型不论在训练速度还是在预测准确度方面都有很好的改善.
协同过滤算法是服务推荐系统中最有效和应用最广泛的推荐方法,其侧重于提高推荐结果的准确性.然而,在大数据背景下,用户行为数据不仅经常频繁更新而且数据规模增长迅速,传统的协同过滤算法需要穷举搜索所有数据,相似度计算耗时较高,推荐效率低,无法满足用户实时体验的需求服务.快速从大数据中获得高质量的推荐服务成为一种新的需求,为此,提出基于局部敏感哈希技术的协同过滤算法,算法过滤了绝大多数不相似的项目,避免了冗余的相似度计算,另一方面算法将用户行为数据哈希为二进制哈希编码,进而保护用户隐私.最后,在不同规模尺寸的数据
暗通道先验去雾算法处理图像易出现局部失真问题,针对这一现象,提出一种单幅户外图像去雾算法.首先,利用四叉树分解的方法得到准确的大气光估计值;然后,结合暗通道图像的直方图分布特征,利用最大化类间方差策略自适应的估计暗通道图像分割阈值,并以此为先验知识优化透射率;最后,使用Gamma矫正提升图像整体对比度.实验表明,该算法能够有效地避免暗通道先验算法在天空区域失真的问题,对比其他算法,恢复图像视觉效果良好,客观评价指标均有所提升.
现阶段,医院作为一个主要能源消耗者,更需要结合系统预测及优化对策规划来实施合适的能源管理方案.因此,根据江苏省某大型三甲医院的能源数据,设计了一套医院能源管理与预测系统.该系统运用SSM框架构建了能耗数据库实现基础数据的增删改查,并通过调用Mtalab软件使用灰色预测模型进行数据拟合与预测,为医院管理者提供未来趋势参考.
传统基于CSG(构造实体几何)布尔运算的建模和运算过于复杂,使用布尔运算合成一些复杂的几何实体时会增加运算量,并且运算效率低.针对以上问题,提出基于Shader的CSG几何体的实时渲染,建立CSG基元模型,解析布尔表达式后,应用Shader对几何图形进行布尔运算的实时渲染,克服了传统基于CSG布尔运算下稳定性不足的问题,并加快了处理速度,提高了渲染效率.
随着信息共享时代的发展,海量数据的诞生对推荐系统提出了更高的要求.针对微博的海量数据,提出了一种融合朴素贝叶斯分类和基于用户的协同过滤算法的混合推荐算法.该算法将文本关键字作为特征属性,利用贝叶斯分类法筛选出用户可能感兴趣的数据,缩小推荐结果集;然后采用基于用户的协同过滤算法,通过计算用户相似度,根据最近邻居得到推荐结果列表.实验结果表明,混合推荐算法相比较于单一的推荐算法有着更高的准确率.
针对SIFT算法在图像融合中耗时长,维度高的问题,论文设计了一种基于SURF、FLANN和RANSAC三者结合的拼接方法.首先利用SURF算法鲁棒性强、算法复杂度低的优势来进行特征点的检测,凭借FLANN算法可以调整参数来进行精确度的提升的优点来进行特征点的匹配,并与常见的BF算法匹配进行比较;针对其中错误匹配对的存在,采用RANSAC算法对存在匹配错误的点进行剔除并进行单应矩阵的计算,来找到最好的模型匹配对,降低误差;最终采用加权平均法进行图像的融合.通过实验验证,算法提高了匹配效率,拼接效果良好.
在图像畸变矫正和图像缩放过程中,需要使用插值算法对像素点进行插值.为了更好地保留图像的纹理细节,以及降低算法时间复杂度,论文提出一种基于OTSU的图像插值算法.利用被插值点四邻域像素的方差来划分图像区域,并采用OTSU算法确定阈值,对图像平坦区域采用双线性插值,而图像纹理细节部分采用双三次插值.实验结果表明,该算法很好地保留了图像细节部分,算法时间复杂度较低,获得的图像质量高,算法具有一定的实用价值.