摘要：当前篡改图像识别算法在对组合篡改图像进行识别时,主要采用对像素或者块进行逐一匹配的方法来检测,导致识别精度不高、鲁棒性差等不足,为此提出改进的SURF耦合分级聚类的图像信息真伪决策算法。采用积分图像模型计算矩形区域像素强度的总和,通过计算Hessian矩阵提取特征点,构建圆形筛除器对SURF进行改进,对特征点数量进行整定,提高算法效率;引入最优节点优先方法 (best bin first method,BBF)对最近邻进行搜索,通过对特征点的特征描述符进行计算,完成特征点匹配;利用分级聚类方法,对特征点进行集群,创建层次树,完成图像的篡改检测。仿真结果表明,与当前图像篡改识别技术相比,所提算法具有更强的鲁棒性以及更高的检测精度。

摘要：为了提高传统数据聚类算法在大数据挖掘应用中的性能,借助云计算的相关技术,并结合非负矩阵分解方法设计并实现了一种并行的数据层次聚类算法。该算法采用Map Reduce编程平台,利用Hadoop的HDFS存储大容量的电信运营商数据;描述了Map Reduce的数据分级聚类并行处理的工作机制与流程;通过Map和Reduce这种主-从编程模式很方便地使数据分级聚类的子任务在Hadoop的PC集群上运行。实验结果表明,该方法比传统用于数据聚类的非负矩阵方法具有更好的运行时间与加速比,能够在可以接受的时间范围内完成电信运营商的大数据处理。

摘要：针对有源配电网各个故障区段参数相似导致振荡不收敛的问题,设计了基于分级聚类的有源配电网故障区段定位系统。使用ARM7嵌入式CPU板,通过扩展不同外围接口实现不同通道数据采样。利用模数转换模块,将连续变量的模拟信号转换为离散数字信号形式。通过FPGA数据存储器存储离散信号数据。利用分级聚类和相似性测度方法,完成不同配电网故障区段样本集的分级聚类。引入分级聚类结果的silhouette指标,选取最优聚类结果,避免由于参数设置不合理导致振荡不收敛的问题。根据最优聚类结果,设计有源配电网故障区段定位流程。由实验结果可知,以节点编号1为例,该系统区内故障电源正序分量从故障前68.8°变化到故障后的58.6°、区外故障电源正序分量从故障前68.5°变化到故障后的57.4°,在实际正序分量变化范围内,说明设计系统故障区段定位结果精准。

摘要：在考虑物流配送中心建设规模的基础上,结合B2C电子商务企业顾客需求的特点, 利用分级聚类法模糊估计各个顾客的单位商品配送运输费用,建立了B2C电子商务中物流配送中心优化设计的数学模型.该模型属于混合0-1的模糊非线性规划模型,且具有NP难性质.为求解上述模型,首先将其进行清晰化转换,然后采用嵌入表上作业法的遗传算法求解.通过算例验证了模型和算法的有效性和可行性,为B2C电子商务企业物流配送中心的合理设计提供了新的思路.

摘要：针对经营多类商品的B2C电子商务企业顾客需求总量小,品种多,位置分散等特点,提出用分级聚类法将顾客进行分类,并模糊估计每类顾客单位重量商品配送运输费用,建立了B2C电子商务中多商品配送中心优化设计的模糊规划模型。模型考虑了配送中心建设投资和流通加工的规模经济效应,因而目标函数中具有非线性项,难以用常规的方法求解。为此,首先将模型进行清晰化转换,然后设计了嵌入单纯形法的遗传算法对之进行求解。仿真实例表明了模型和算法的有效性和可行性。