导读:本文包含了密度自适应论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分割,土壤,聚类算法,自适应
密度自适应论文文献综述
曾绍华,唐文密,詹林庆,黄秀芬[1]（2019）在《基于自适应密度峰值聚类的野外紫色土彩色图像分割》一文中研究指出野外自然环境下采集的紫色土图像背景复杂,将紫色土区域从背景中分割出来是应用机器视觉对紫色土进一步分析处理的首要工作。该文提出基于自适应密度峰值聚类的野外紫色土彩色图像分割算法。该方法首先构造基于熵的相似度矩阵,从而建立基于类间方差最大化类内方差最小化准则的灰度变换优化模型,求解优化模型获得一个提升了紫色土与背景间分离特性的灰度图像。然后,构建无参的密度公式和一个中心决策度量来自动获取聚类中心,实现在密度峰值聚类算法框架下紫色土图像的自适应分割。最后,设计边界提取与区域填充的后处理算法获得完整的紫色土土壤区域图像。通过使用常规样本集、鲁棒样本集试验测试,结果显示:该文分割算法的初分割平均分割精度分别为93.45%和87.40%,比采用原始密度峰值聚类算法的平均分割精度分别提高3.16和12.47个百分点。经该文算法初分割、后处理,平均分割精度分别提高到96.30%和91.63%,平均耗时分别为0.36和0.35 s。研究结果为野外紫色土彩色图像的自适应分割提供参考。(本文来源于《农业工程学报》期刊2019年19期）
蒋华,林森,王鑫,王慧娇[2]（2019）在《海洋数据下的密度自适应聚类算法》一文中研究指出针对DBSCAN算法需要人工设定参数,且数在对不同疏密度的数据敏感度较低以及处理多维多密度的海洋数据时鲁棒性欠佳的问题,提出一种基于K-均值模型的多密度自适应聚类算法AM-DBSCAN (adaptive multi-density DBSCAN algorithm)。采用K-均值模型对数据进行初次聚类,分别以结果簇中距离最远两点的平均值及最小簇的样本数作为DBSCAN算法中的邻域半径(Eps)及邻域样本阈值(Minpts);以最短路径原则改进DBSCAN算法中Eps邻域判定方式,提高算法全局的可靠性及稳定性。实验结果表明,相对于DBSCAN聚类算法,AM-DBSCAN算法在处理密度不均的数据时在聚类准确度和聚类效率方面有所提升。(本文来源于《计算机工程与设计》期刊2019年09期）
吴聪,曾晓晨,王晋茹[3]（2019）在《带超级光滑噪声密度函数的小波自适应点态估计》一文中研究指出利用小波方法在局部Holder空间中研究一类反卷积密度函数的点态估计问题.首先,针对超级光滑噪声给出该模型任一估计器的点态风险下界;其次,构造有限求和小波估计器,并证明其在超级光滑噪声条件下达到了最优收敛阶,即该估计器在点态风险下的收敛速度与下界一致.最后,还讨论了这类小波估计器的强收敛性.值得指出的是上述估计都是自适应的.(本文来源于《数学学报(中文版)》期刊2019年05期）
董燕,廖雪松,雷春宇,宫伟,陈鹏[4]（2019）在《基于空气密度提升发电量的风力发电机组自适应技术》一文中研究指出为在现有情况下提升风力发电机组的发电能力,提出一种通过空气密度自适应调整转速转矩表和额定转速的技术。通过空气密度采集设备采集实时空气密度值,判断是否错误后,下发到控制器进行转速转矩表和额定转速的调整,开发机组发电潜力,提升发电量,增加经济效益。(本文来源于《船舶工程》期刊2019年S1期）
石晟,杜东升,王曙光,李威威[5]（2019）在《概率密度演化方程TVD格式的自适应时间步长技术及其初值条件改进》一文中研究指出随机性普遍存在于实际工程问题中,而复杂结构的非线性随机响应分析是其中的一个难点,近年发展的概率密度演化方法为此类问题的求解提供了新的途径.由于实际问题的复杂性,概率密度演化方程通常采用数值方法求解,因此提高计算效率和求解精度对实际应用具有重要意义.本文基于变网格技术,推导了概率密度演化方程在非均匀时间步长上的总变差减小(total variation diminishing,TVD)差分格式,算例结果表明通过自适应插值可将迭代次数减少为原来的43.4%,当随机过程样本持续时间增大时均值估计的平均误差基本不变,而标准差估计的平均误差不断增大,但增大幅度不断减小;计算耗时随样本持续时间的增大也呈增大趋势,而由于使用了时间步长自适应插值算法导致有些情况下长持时样本的计算耗时反而比短持时样本的计算耗时短;在传统的脉冲函数型初值条件基础上,提出了一种高阶导数更稳定的余弦函数型初值条件形式.结果表明,脉冲函数型的初值条件是余弦函数型初值条件的一个特例,当参数取值适当时,余弦函数型初值条件的数值求解结果具有更高的精度.本文的工作进一步完善了概率密度演化方程的求解方法,为其在实际工程中的应用提供了基础.(本文来源于《力学学报》期刊2019年04期）
唐明月[6]（2019）在《油基钻井液在高温高压下的密度预测——基于自适应极限学习机模型》一文中研究指出针对高温高压井油基钻井液密度预测的问题,提出了一种自适应极限学习机的油基钻井液密度预测模型,该模型结合了极限学习机理论和K近邻理论,以室内实验结果作为训练样本,开展油基钻井液密度预测研究。结果表明,该方法学习速度快,具有良好泛化性能,解决了神经网络模型局部最小、迭代次数多等问题,与传统的神经网络和极限学习机模型相比预测精度更高,具有广泛的应用前景。(本文来源于《新疆石油天然气》期刊2019年02期）
朱涛,陈翔,高强,孟庆楠[7]（2019）在《基于Logsitic回归模型和自适应密度聚类算法的分行业负荷增长规律》一文中研究指出电力企业营配大数据的持续积累为电力用户负荷发展规律的研究提供了良好的数据基础。传统分行业负荷特性研究方法在海量数据挖掘上存在一定局限性,且缺乏对用户负荷年度成长模式的研究。应用Logsitic回归模型自动识别电力用户的饱和水平值和增长速度,形成3项用户增长特性参数。应用参数自适应的密度聚类算法,分不同行业、不同规模搜索典型用户,获取增长特性参数的典型值,形成分行业分容量的典型负荷成长曲线。所提方法能够识别电力用户的负荷成长模式,降低数据维度,具备较好的大数据处理分析效果。最后对某沿海城市3万个电力用户进行模型验证,结果表明所提方法识别度较高,经挖掘得到的分行业负荷发展规律对负荷预测、电网规划有较强的指导意义。(本文来源于《电网与清洁能源》期刊2019年05期）
刘思琦[8]（2019）在《场景自适应人群密度估计算法研究》一文中研究指出随着经济的不断增长,集体活动也不断丰富,随之而来的因人群拥塞而引起的事故也已屡见不鲜。因此及时地对公共场所的人群密度做出准确估计以避免危险发生就成为了视频监控领域的重要任务。人群密度估计是通过提取人群的分布特征进行分析计算,从而估算出密度分布并进行人群计数的任务。而实际场景转换为图片数据集时,会因为存在多尺度特征而无法被准确提取,导致估算的准确性下降的问题。现存的人群密度估计算法主要利用多尺度卷积神经网络分别对不同尺度的人群分布进行特征提取,最后平均融合得到计算结果。但传统的卷积神经网络为了提取全局特征,基本会对输入图片进行下采样,这样会丢失部分人群信息;且平均融合多通道卷积神经网络,对于多尺度特征提取计算结果的提升也很有限。针对上述问题,本文提出场景自适应人群密度估计算法。场景自适应人群密度估计算法以深度卷积网络为载体,利用扩张卷积对输入的人群场景图进行特征提取,在保持参数个数不变的情况下增大卷积核的感受野,这样既可以学习到全局特征,又不会增大计算量,同时也可以保证输出的特征映射(feature map)的大小保持不变。此外扩张卷积在上下文模型中通过设置不同大小的扩张系数来聚合多尺度上下文信息,提高了密集预测框架的性能。算法在模型的训练中利用对抗式损失函数将网络中提取的不同尺度的特征信息以合作式的方式融合。一般解决该问题的网络会选择欧式距离损失函数作为网络训练的优化,但这样只会平均融合每个通道各自的输出结果,失去了提取多尺度人群特征对于密度估计结果准确度提升的意义。对抗式损失可以使网络输出的结果最接近于真实的密度分布,极大地提高了密度估计的准确性。场景自适应人群密度估计算法提出利用扩张卷积在不损失分辨率的情况下对输入图像进行特征提取,通过对抗式损失函数将网络中提取的不同尺度的特征信息以合作方式融合的方法,解决了现有方法中卷积神经网络的池化层对图像的下采样操作会丢失部分人群信息,且平均融合方式会使多尺度效应平均化,使人群密度估计不准确的问题。实验结果表明,在人群分布差异较大的场景中构建的算法模型有较好的自适应性,能根据不同的场景提取特征估算密度分布,并对人群进行准确计数。另外本文借助基于几何适应高斯核转换得到的密度图作为标签进行网络的训练,使网络的预测结果更加准确。(本文来源于《北京交通大学》期刊2019-05-01）
宋怀波,阴旭强,吴頔华,姜波,何东健[9]（2019）在《基于自适应无参核密度估计算法的运动奶牛目标检测》一文中研究指出复杂养殖环境下运动奶牛目标的准确检测是奶牛跛行、发情等运动行为感知的基础。针对现有方法多采用参数化模型实现运动奶牛目标检测的缺陷,提出了一种无参核密度估计背景建模方法。该方法根据各像素的历史样本估计像素的概率模型,针对历史样本信息中冗杂信息导致模型复杂度过高的问题,采用关键帧检测技术剔除样本中的冗余信息以降低算法的复杂度,并实现了在小样本下核函数对遥远历史帧图像信息的获取,从而提高了检测精度。针对检测目标轮廓缺失的问题,结合叁帧差法进一步实现了运动目标的完整提取。为了验证本算法的有效性,对不同环境和干扰下的运动奶牛视频样本进行了试验,并与高斯混合模型(Gaussian mixture model,GMM)和核密度估计模型(Kernel density estimation,KDE)方法进行了对比。试验结果表明,本文算法平均前景正检率为95. 65%,比高斯混合模型提高了15. 56个百分点,比核密度估计模型提高了10. 56个百分点。同时,本文算法平均实时性指标为1. 11,基本可以实现运动奶牛目标的实时、准确检测,该研究结果可为奶牛跛行疾病的预防、诊断以及奶牛运动行为的精确感知提供参考。(本文来源于《农业机械学报》期刊2019年05期）
陈颖洁[10]（2019）在《基于密度和距离自适应确定初始聚类中心的K-Prototypes算法的研究与应用》一文中研究指出几十年来,随着科技的进步和互联网的飞速发展,带来的就是数据量的井喷式增长。为了承载这些数据,在工程层面我们经历了从单机到分布式的演变。而在逐步走向信息化的社会中,任何数据都显得弥足珍贵,所以任何能够对大数据进行分析处理的算法都具有一定的科学研究价值。聚类算法是数据处理过程中很常见的一种无监督学习算法,近些年来在算法领域也获得了很大范围的关注。但是,聚类算法分为多种类型,不同聚类算法可以处理的数据类型也不同,不同的聚类算法能够处理的数据模型也是不同的,例如,本文研究的基础算法,K-Prototypes聚类算法,就是处理混合数据类型聚类以及球形数据模型聚类的算法。K-Prototypes算法与K-Means算法和K-Modes算法有着类似的缺陷,因为K-Prototypes算发就是由这两个算法演变而来的,应该说这种K型聚类算法有着通病:首先是聚类簇数k需要人为设定(算法的参数),而大多数情况下,我们并不知道数据集应该被聚为几类;其次该类算法初始聚类中心的选择是随机的,而这将导致诸如低聚类准确性和不稳定的聚类结果之类的问题。为了改善以上问题,本文提出了一种基于样本的邻域密度和样本间的距离自适应确定初始聚类中心的策略,对算法进行改进。分析一般聚类的结果,可以发现,聚类中心都是密度较大的点,且不同簇间的聚类中心距离较远,因此可以通过找到满足这个特征的点集,来确定初始聚类中心,以达到提高聚类精度、稳定性及加快收敛速度的优化效果。对比本文提出的算法与自适应确定聚类簇数的经典聚类算法X-Means,可以证明该算法在自适应确定聚类中心方面的可用性。通过对UCI提供的Machine Learning Repository中的五个数据集上的实验证明,该算法在聚类结果的质量及稳定性上优于传统的K-Prototypes算法和模糊K-Prototypes算法。本着算法研究不能脱离实际应用的原则,本文将通过引入一个完整的“聚类分析”案例,将本文提出的基于样本的邻域密度和样本间的距离自适应确定初始聚类中心的K-Prototypes算法应用在分析不同学生进行评教问答时的特点(如某些学生习惯总是打高分,某些学生比较苛刻)与学生成绩之间的关系上,表明改进算法的可行性。通过聚类算法,我们可以更清晰的认识到样本间的相似与相异,尽可能不浪费数据告诉我们的任何一点信息,这也是众多数据分析算法研究的重要意义。(本文来源于《吉林大学》期刊2019-04-01）
密度自适应论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对DBSCAN算法需要人工设定参数,且数在对不同疏密度的数据敏感度较低以及处理多维多密度的海洋数据时鲁棒性欠佳的问题,提出一种基于K-均值模型的多密度自适应聚类算法AM-DBSCAN (adaptive multi-density DBSCAN algorithm)。采用K-均值模型对数据进行初次聚类,分别以结果簇中距离最远两点的平均值及最小簇的样本数作为DBSCAN算法中的邻域半径(Eps)及邻域样本阈值(Minpts);以最短路径原则改进DBSCAN算法中Eps邻域判定方式,提高算法全局的可靠性及稳定性。实验结果表明,相对于DBSCAN聚类算法,AM-DBSCAN算法在处理密度不均的数据时在聚类准确度和聚类效率方面有所提升。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
密度自适应论文参考文献
[1].曾绍华,唐文密,詹林庆,黄秀芬.基于自适应密度峰值聚类的野外紫色土彩色图像分割[J].农业工程学报.2019
[2].蒋华,林森,王鑫,王慧娇.海洋数据下的密度自适应聚类算法[J].计算机工程与设计.2019
[3].吴聪,曾晓晨,王晋茹.带超级光滑噪声密度函数的小波自适应点态估计[J].数学学报(中文版).2019
[4].董燕,廖雪松,雷春宇,宫伟,陈鹏.基于空气密度提升发电量的风力发电机组自适应技术[J].船舶工程.2019
[5].石晟,杜东升,王曙光,李威威.概率密度演化方程TVD格式的自适应时间步长技术及其初值条件改进[J].力学学报.2019
[6].唐明月.油基钻井液在高温高压下的密度预测——基于自适应极限学习机模型[J].新疆石油天然气.2019
[7].朱涛,陈翔,高强,孟庆楠.基于Logsitic回归模型和自适应密度聚类算法的分行业负荷增长规律[J].电网与清洁能源.2019
[8].刘思琦.场景自适应人群密度估计算法研究[D].北京交通大学.2019
[9].宋怀波,阴旭强,吴頔华,姜波,何东健.基于自适应无参核密度估计算法的运动奶牛目标检测[J].农业机械学报.2019
[10].陈颖洁.基于密度和距离自适应确定初始聚类中心的K-Prototypes算法的研究与应用[D].吉林大学.2019