无监督聚类

摘要： 为使核磁共振测井横向弛豫时间(T2)谱的定量表征结果更为直观地反映储集层类型和孔隙结构,提出基于高斯混合模型(GMM)的T2谱无监督聚类和孔隙结构定量识别方法。首先对T2谱数据进行主成分降维,减弱数据间的相关性;其次采用高斯混合模型概率密度函数对降维数据进行拟合,结合期望值最大化算法和赤池信息准则变化率得到模型参数和最佳聚类群集;最后分析不同聚类群集的T2谱特征、孔隙结构类型等,并与T2几何平均值、T2算术平均值等进行对比,通过数值模拟和核磁共振测井资料验证算法有效性。研究表明,基于GMM方法的聚类结果与T2谱形态、T2谱、孔隙结构、油气产能等具有很好的对应性,为孔隙结构定量识别、储集层级别划分和产能评价等提供新的手段。

摘要： 为了解决鄂尔多斯盆地下古生界奥陶系马家沟组碳酸盐岩储层岩性类型复杂、变化快、难识别以及部分老井无测井解释剖面,地质研究人员无法快速有效判别岩性等问题,以富县地区马家沟组马五段为研究对象,分析了目前常用的岩性识别方法,通过取心资料确定了主要的岩石类型,结合碳酸盐岩中主要矿物的测井响应数值,得出了可采用光电吸收截面指数曲线与补偿密度曲线、补偿密度与补偿中子曲线两两包络的包络法与聚类分析—最小临近算法实现岩性解读的认识。研究结果表明:(1)包络法操作简便,能快速识别白云岩、石灰岩、石膏,尤其在含膏地层中优势明显,适用于生产中对岩性的预判,其操作关键点在于曲线左右刻度值的调整,其判别准确与否的关键在于曲线质量是否可靠;(2)聚类分析—最小临近算法结果更精确,其预测符合率高达92.31%,更适用于后期科研所需,但是该方法需要一定量的取心数据作为支撑;(3)目前上述两种方法在坍塌角砾岩的识别中都还存在着局限性,对于坍塌角砾岩的识别还需要借助成像测井以及地质认识来实现。

摘要： 为了在多维聚类分析中运用有效的深度特征选择方法排除冗余和无关的特征属性,学习数据元素的非线性关系提取最佳特征,提出一种降噪分层映射算法(DHM).首先,基于降噪自动编码器构建非循环神经网络,容错数据经过隐藏层加权和激活函数的训练获取输入数据的非线性关系得到特征空间,实现特征重构选取最佳特征.其次,特征空间用于调整自组织特征映射神经网,通过计算最小化加权平方欧式距离寻找匹配的获胜神经元.最后,结合特征选择网络和无监督聚类网络为降噪分层映射神经网,通过整体模型迭代训练,使权重参数和偏差向量同时得到优化,实现有效的无监督聚类方案.在真实数据集上的实验结果表明,同AESOM,DCSOM和S-SOM算法相比,DHM算法在提高聚类质量及准确性方面有更好的表现.

摘要： 地震相是沉积环境分析和储层预测的基础。然而在实际地震勘探中,标注的地震数据难以获取。针对这些问题,本文分别借鉴了深度学习与无监督学习的优点,提出了基于深度堆栈自编码器的地震相识别方法,该模型利用深度学习更能捕捉地震数据语义信息的优点,用深度堆栈自编码器对地震数据进行特征提取,然后用提取的特征进行无监督聚类算法对地震相进行识别。在实际工区的实验结果表明,该模型相较于直接使用聚类算法识别地震相,准确率更高。

摘要： 针对使用传统期望最大化算法进行参数估计的混合高斯模型的最终聚类效果过于依赖初始概率密度中心的问题,提出一种基于模糊C均值算法进行参数初始化的改进期望最大化算法.实验结果表明,在实际的用户知识水平聚类任务中,与传统无监督聚类算法(模糊C均值算法、K-means算法和未改进的期望最大化算法)相比,改进的期望最大化算法的聚类性能度量指标均更优,相比于传统聚类算法全局聚类效果更好.

摘要： 动物的行为学分析是神经科学研究中的重要一环,然而,以往的分析方法大多基于人工识别或使用图像识别技术分析动物轨迹。前者耗时费力、主观性强,后者忽略了三维空间中动物的大量身体姿态信息。基于已有动物行为自然结构的三维行为分析框架,该文设计并搭建了一套适用于多场景,如视觉本能恐惧行为的三维空间姿态采集设备,优化了数据处理及分析流程中的部分环节。结果表明,该系统能够较为准确地识别小鼠的5大类特征性动作,并且高精度地还原小鼠在视觉恐惧信号刺激下的动态防御行为。该研究为视觉本能恐惧行为的自动化分析提供了一种高效、客观、可量化的解决方案,结合其他神经科学前沿研究手段,能更加精细、深入地解析该行为的神经环路机制。

摘要： 结合光散射理论与光迹追踪软件,建立微粒相干散射光偏振衍射成像过程仿真与特征分析模型,并通过单微球衍射成像实验进行验证.研究1965个由微球、微圆柱、微椭球组成的复杂结构散射体的衍射成像过程,并利用灰度共生矩阵对衍射图像纹理特征值进行提取与分析.研究表明,通过衍射图像可实现复杂结构散射体的无监督聚类分析,三种颗粒结构的分类准确率可达95%,同时发现双圆柱结构散射体中心间距与取向和衍射图像特征之间具有接近线性的关联.

摘要： 由于传统方法在电力用户智能用电异常检测实际应用中虚警率较高,因此提出基于无监督聚类的电力用户智能用电异常检测方法。利用无线传感器获取到电力用户智能用电数据,并对数据进行清洗处理,从用电数据中提取到统计性特征、用电趋势特征以及频域特征,采用无监督聚类技术对提取的特征进行聚类分析,计算出检测样本用电行为与正常用电行为的相似性,以此判断用户智能用电是否异常。经实验证明,设计方法平均虚警率为0.11%,具有较高的检测精度,更适用于电力用户智能用电异常检测。

摘要： 随着单细胞RNA测序技术的发展,目前单细胞测序通量由上千细胞发展到主流上万细胞的规模。基于单细胞RNA测序数据的细胞分型是研究细胞的重要问题之一,该问题主要运用无监督聚类方法。现有针对大规模单细胞测序数据的聚类方法通过简化细胞关系网络来降低时间复杂度,从而导致细胞分型准确度降低。而常见较高准确度的细胞分型方法无法处理大规模数据。为此,采用将k最近邻与细胞相似度阈值结合构建全新的细胞关系网络,并采用CPU+GPU异构并行计算提高运算速度,通过改进的马尔科夫聚类算法进行细胞聚类。通过在七个较大规模单细胞数据集上实验,发现该算法比现有主要算法具有更好的聚类准确度,从而适合基于主流单细胞测序技术数据的细胞分型。

摘要： 水电机组振动监测信号常包含大量异常数据,严重影响机组健康状态评估与预测。为此,本文深入研究机组振动与工况的映射关系,提出了一种基于高斯混合模型和基于密度的噪点空间聚类算法(GMM-DBSCAN)的机组振动信号多尺度清洗方法。首先,采用DBSCAN初步清洗全工况内振动异常点,进一步采用高斯混合模型计算机组工况概率,并进行工况区间划分;在此基础上,以工况概率密度计算出各工况区内振动信号的DBSCAN密度聚类清洗的阈值,并清洗各工况区内振动异常数据。最后,基于瀑布沟水电站1年内运行工况和振动监测数据进行实例分析,异常数据清洗率达6.3‰。同时,通过人工模拟异常数据进行验证,结果表明,所提方法能够有效清洗出机组振动孤立离群点和密集异常点,为水电机组健康状态评估与预测奠定数据基础。

摘要： 以正例(P)和未标识实例集(U)训练分类器的文本分类算法(PU文本分类)是解决某些机器学习中训练样本获取代价过大、尤其是反例样本较难获取的实际问题。而传统的分类算法大都需要正例和反例数据集才能取得良好的效果,因此要使用传统的分类方法来解决面向PU的分类问题,U集中可信反例的提取是分类器能够取得良好效果的关键.提出了有效的可信反例提取算法(基于聚类的可信反例提取算法)——CBRN,并对已有的PU文本分类算法进行了改进,并提出了SPY-SVM算法。实验表明,该方法比目前其他的面向PU的文本分类方法具有更高的准确率和召回率。

摘要： 视频关键帧提取的目的是用尽可能少的视频帧来表征尽可能多的视频内容，减少冗余视频帧，降低计算量，以便于视频的快速浏览、内容摘要、索引和检索。本文提出了一种通用的基于无监督合并聚类的视频关键帧提取方法。首先把视频划分为镜头，再对各镜头内的视频 帧进行合并聚类。每次选择最相似的两帧或两个子类进行合并，此过程循环进行，直到满足合并停止规则后自动停止合并，得到视频帧聚类结果。然后对聚类结果进行筛选，选出包含足够多视频帧的、能够表征镜头大部分内容的关键聚类。最后从关键聚类中选择与同类中其他所有视频帧最相似的一帧作为关键帧。实验结果表明该方法能够快速有效的提取出视频关键帧。

摘要： 视频关键帧提取的目的是用尽可能少的视频帧来表征尽可能多的视频内容，减少冗余视频帧，降低计算量，以便于视频的快速浏览、内容摘要、索引和检索。本文提出了一种通用的基于无监督合并聚类的视频关键帧提取方法。首先把视频划分为镜头，再对各镜头内的视频 帧进行合并聚类。每次选择最相似的两帧或两个子类进行合并，此过程循环进行，直到满足合并停止规则后自动停止合并，得到视频帧聚类结果。然后对聚类结果进行筛选，选出包含足够多视频帧的、能够表征镜头大部分内容的关键聚类。最后从关键聚类中选择与同类中其他所有视频帧最相似的一帧作为关键帧。实验结果表明该方法能够快速有效的提取出视频关键帧。

摘要： 视频关键帧提取的目的是用尽可能少的视频帧来表征尽可能多的视频内容，减少冗余视频帧，降低计算量，以便于视频的快速浏览、内容摘要、索引和检索。本文提出了一种通用的基于无监督合并聚类的视频关键帧提取方法。首先把视频划分为镜头，再对各镜头内的视频 帧进行合并聚类。每次选择最相似的两帧或两个子类进行合并，此过程循环进行，直到满足合并停止规则后自动停止合并，得到视频帧聚类结果。然后对聚类结果进行筛选，选出包含足够多视频帧的、能够表征镜头大部分内容的关键聚类。最后从关键聚类中选择与同类中其他所有视频帧最相似的一帧作为关键帧。实验结果表明该方法能够快速有效的提取出视频关键帧。

摘要： 视频关键帧提取的目的是用尽可能少的视频帧来表征尽可能多的视频内容，减少冗余视频帧，降低计算量，以便于视频的快速浏览、内容摘要、索引和检索。本文提出了一种通用的基于无监督合并聚类的视频关键帧提取方法。首先把视频划分为镜头，再对各镜头内的视频 帧进行合并聚类。每次选择最相似的两帧或两个子类进行合并，此过程循环进行，直到满足合并停止规则后自动停止合并，得到视频帧聚类结果。然后对聚类结果进行筛选，选出包含足够多视频帧的、能够表征镜头大部分内容的关键聚类。最后从关键聚类中选择与同类中其他所有视频帧最相似的一帧作为关键帧。实验结果表明该方法能够快速有效的提取出视频关键帧。

摘要： 视频关键帧提取的目的是用尽可能少的视频帧来表征尽可能多的视频内容，减少冗余视频帧，降低计算量，以便于视频的快速浏览、内容摘要、索引和检索。本文提出了一种通用的基于无监督合并聚类的视频关键帧提取方法。首先把视频划分为镜头，再对各镜头内的视频 帧进行合并聚类。每次选择最相似的两帧或两个子类进行合并，此过程循环进行，直到满足合并停止规则后自动停止合并，得到视频帧聚类结果。然后对聚类结果进行筛选，选出包含足够多视频帧的、能够表征镜头大部分内容的关键聚类。最后从关键聚类中选择与同类中其他所有视频帧最相似的一帧作为关键帧。实验结果表明该方法能够快速有效的提取出视频关键帧。

摘要： 聚类数目是影响聚类效果的关键参数，通常需要人工确定，对于较难获得这一先验知识的数据集，聚类分析会因此受到限制。本文针对这一问题，提出了一种自动确定最佳聚类数目的方法。该方法利用体现“类内紧凑类间离散”思想的优化聚类算法来执行主要计算。结合目标函数二阶差分的判定准则，通过聚类算法的自学习来确定最佳聚类数。结果显示，该方法能在不同数据集上自动得到正确的聚类数目。

摘要： 聚类数目是影响聚类效果的关键参数，通常需要人工确定，对于较难获得这一先验知识的数据集，聚类分析会因此受到限制。本文针对这一问题，提出了一种自动确定最佳聚类数目的方法。该方法利用体现“类内紧凑类间离散”思想的优化聚类算法来执行主要计算。结合目标函数二阶差分的判定准则，通过聚类算法的自学习来确定最佳聚类数。结果显示，该方法能在不同数据集上自动得到正确的聚类数目。

摘要： 聚类数目是影响聚类效果的关键参数，通常需要人工确定，对于较难获得这一先验知识的数据集，聚类分析会因此受到限制。本文针对这一问题，提出了一种自动确定最佳聚类数目的方法。该方法利用体现“类内紧凑类间离散”思想的优化聚类算法来执行主要计算。结合目标函数二阶差分的判定准则，通过聚类算法的自学习来确定最佳聚类数。结果显示，该方法能在不同数据集上自动得到正确的聚类数目。

摘要： 聚类数目是影响聚类效果的关键参数，通常需要人工确定，对于较难获得这一先验知识的数据集，聚类分析会因此受到限制。本文针对这一问题，提出了一种自动确定最佳聚类数目的方法。该方法利用体现“类内紧凑类间离散”思想的优化聚类算法来执行主要计算。结合目标函数二阶差分的判定准则，通过聚类算法的自学习来确定最佳聚类数。结果显示，该方法能在不同数据集上自动得到正确的聚类数目。

摘要： 本发明公开了一种无监督或弱监督的受约束的模糊c均值聚类方法，包括：获取聚类质心基于聚类质心对FCM的目标函数进行约束，得到新的目标函数；基于新的目标函数进行聚类。与现有技术相比，本发明针对现有在图像分割领域的聚类方法的不稳定性和不确定性问题采用了受约束的模糊c均值聚类方法，能够使得像素的聚类朝着期望的方向进行，并且，对非平衡数据以及含较强噪声样本有极强的鲁棒性，有效提升了现有的FCM的鲁棒性。

摘要： 本发明公开了一种无监督或弱监督的受约束的模糊c均值聚类方法，包括：获取聚类质心基于聚类质心对FCM的目标函数进行约束，得到新的目标函数；基于新的目标函数进行聚类。与现有技术相比，本发明针对现有在图像分割领域的聚类方法的不稳定性和不确定性问题采用了受约束的模糊c均值聚类方法，能够使得像素的聚类朝着期望的方向进行，并且，对非平衡数据以及含较强噪声样本有极强的鲁棒性，有效提升了现有的FCM的鲁棒性。

摘要： 本发明公开了一种基于集成聚类的无监督视频行人再识别方法及系统，该方法包括：S1、获取行人数据集并提取得到行人数据；S2、基于特征提取器对行人数据进行特征提取，得到数据特征；S3、基于集成聚类方法对数据特征进行聚类；S4、根据聚类结果构建伪标签并更新特征提取器参数；S5、返回步骤S2直至特征提取器收敛；S6、基于收敛的特征提取器提取特征，通过距离度量并排序，完成行人再识别。该系统包括：获取模块、提取模块、聚类模块、更新模块、循环模块和识别模块。通过使用本发明，能够使得聚类的结果更加具有鲁棒性和稳定性，有助于提高识别精度。本发明作为一种基于集成聚类的无监督视频行人再识别方法及系统质，可广泛应用于行人识别领域。

摘要： 本发明涉及人工智能技术领域，具体涉及一种基于多聚类的无监督特征选择的方法及系统，该选择方法包括：获取在高维空间中待聚类的多个数据点得到特征矩阵；利用等度量映射算法将高维空间的所述特征矩阵嵌入低维空间，得到低维空间中的嵌入矩阵；对所述特征矩阵进行归一化得到基准特征矩阵；由所述嵌入矩阵中每个维度中的特征构成的特征向量，利用所述基准特征矩阵和所述嵌入矩阵拟合得到所述嵌入矩阵中每个特征向量的稀疏系数向量；选取每个特征在所述稀疏系数向量中稀疏系数的最大值作为贡献值，根据预设的所需选择的特征数量选取最大的多个贡献值所对应的特征组成新的特征矩阵，以基于新的特征矩阵进行聚类，该方法的计算复杂度低，聚类准确。

摘要： 本发明公开了一种基于在线层次聚类的无监督行人重识别方法。包括：采集行人样本图片并构成训练集；将训练集输入到行人重识别模型并输出所有行人样本图片的特征，利用在线层次聚类方法对所有行人样本图片的特征进行在线层次聚类后，生成训练集对应的伪标签，再根据伪标签对行人重识别模型进行训练，迭代训练后，获得训练好的行人重识别模型；选取一张待测行人图片并提取待测行人图片的特征；计算待测行人图片的特征与待测行人数据集中剩余的各张待测行人图片的特征之间的余弦相似度，根据预设的相似度阈值，保留高于预设的相似度阈值的所有待测行人图片，实现行人重识别。本发明能够完成无监督的行人重识别任务，具有较高的准确率。

摘要： 本发明提出了一种无监督的人脸图像二次聚类方法、装置及存储介质，该方法包括：对获取的n张人脸图像计算相似度矩阵和图像质量分数，并基于图像质量分数对相似度矩阵进行调整，基于调整后的相似度矩阵对n张人脸图像进行初次聚类得到初次聚类结果；基于所述聚类结果中的每个簇中的图像数量分为离散簇和聚集簇；在选出每个簇的代表元后，利用并查集算法先将满足条件的离散簇合并至聚集簇，再进行聚集簇之间的合并，得到二次聚类后的人脸图像。本发明创造性地提出了二次聚类的方式，在前后两次聚类中使用不同的相似度阈值，逐步求精；并且在聚类过程，针对聚类样本/聚类簇的特点对相似度计算作精细调整，最终实现高精确率和高归档率的人脸聚类。

摘要： 本发明公开一种心理疾病专业术语无监督聚类方法、装置和系统，对文本进行预处理，建立业务专用术语词汇集合，所述集合包括词汇的语义信息和词序信息，词汇由单词组成，建立单词‑单词的语义矩阵，对语义矩阵进行模型预训练得到语义关系矩阵，计算单词‑单词的词序关系矩阵，通过无监督聚类算法对语义关系矩阵和词序关系矩阵进行聚类，将单词的语义信息和词序信息通过关系矩阵的方式进行提取，利用IRM算法对两个关系矩阵进行无监督分类，完成单词类别的提取。

摘要： 本发明公开一种专用术语无监督聚类方法、装置和系统，对文本进行预处理，建立业务专用术语词汇集合，所述集合包括词汇的语义信息和词序信息，词汇由单词组成，建立单词‑单词的语义矩阵，对语义矩阵进行模型预训练得到语义关系矩阵，计算单词‑单词的词序关系矩阵，通过无监督聚类算法对语义关系矩阵和词序关系矩阵进行聚类，将单词的语义信息和词序信息通过关系矩阵的方式进行提取，利用IRM算法对两个关系矩阵进行无监督分类，完成单词类别的提取。

摘要： 本发明公开了一种基于无监督聚类和深度学习的群猪躺模式识别方法，包括以下步骤，采集初始数据集并对图像进行统一裁剪；利用Grabcut图像分割的方法提取出目标图像；通过动态阈值分割，使所述目标图像二值化，利用无监督聚类算法Mean‑shift找到聚类中心，通过各个椭圆拟合中心到聚类中心的距离并输出其方差和标准差；对所述标准差进行处理，使其数据的值映射到[0,1]之间，利用训练完成的所述CNN‑SVM模型对群猪躺模式进行识别。本发明的有益效果：基于CNN‑SVM分类模型对群猪5种躺卧模式进行高精度分类识别，识别准确率为97.09％，平衡准确率为96.59％，平衡准确率加权为97.07％。

摘要： 本发明公开了一种基于无监督聚类的在建房屋识别方法，涉及计算机视觉技术领域，包括以下步骤：通过图像采集装置采集在建房屋的图像数据；对收集到图像数据中的在建房屋的位置进行人工标注，然后将标注后的在建房屋进行裁剪，得到在建房屋图像数据集；设置好聚类的类别数目，然后将在建房屋图像数据采用对比聚类的无监督方式进行类别划分；各个在建房屋在通过聚类后都有相应的类别，将该在建房屋数据的类别标注到原始图像上的标签；对于标注上标签的在建房屋数图像据集，采用Yolox目标检测算法进行模型训练；根据房屋数据的每个类别在测试集的预测效果，调整每个类别的置信度阈值；更有利于模型的训练和收敛，保持高召回率，提高检测精度。