-
Patent Agency Ranking
公开(公告)号：CN105631416B
公开(公告)日：2018-11-13
申请号：CN201510987710.2
申请日：2015-12-24
Applicant: 华侨大学
Abstract: 本发明提出一种采用新型密度聚类进行人脸识别的方法，读取人脸图像，将图像矩阵转换为特征向量，用特征向量集f作为待聚类的数据集P的输入，计算P中每两个人脸特征向量点之间的距离，算出所有点的均值，在P中找到距离均值点最近的点作为密度中心点，计算所有点的密度，迭代寻找密度中心点，将最后的收敛点作为密度汇聚点，将密度汇聚点中是其自身，且密度值大于t的点作为局部密度中心点，对集合LPS中的所有点按最近邻近算法进行聚类，并标记类别标号，把其它所有非局部密度中心点p的类别初始化为‑1,划归到与其汇聚中心点相同类别，剩下的类别标号为‑1的点记为离群点，最后输出聚类结果，本发明具有准确度高，能识别复杂数据的优点，提高了人脸识别的准确度。
-
公开(公告)号：CN106096639B
公开(公告)日：2019-04-09
申请号：CN201610395532.9
申请日：2016-06-06
Applicant: 华侨大学
IPC: G06K9/62
Abstract: 本发明公开一种基于密度热度的电离层雷达数据的聚类方法，所述聚类方法包括：步骤一：计算两个信号点pi和pj之间的距离di,j，生成信号点的距离矩阵(di,j)N×N，其中i、j表示信号点的序号，N表示信号点的数量；步骤二：根据信号点的距离矩阵(di,j)N×N确定各信号点的密度热度值；步骤三：根据各信号点的密度热度值对各所述雷达信号进行聚类处理，以确定各信号点的类别。本发明基于密度热度的电离层雷达数据的聚类方法根据任意两个信号之间的距离确定信号点的距离矩阵，根据信号点的距离矩阵确定各信号点的密度热度值，进而根据密度热度值对各所述雷达信号进行聚类处理，以确定各信号点的类别。基于密度热度值进行聚类可提高分类的准确度。
-
公开(公告)号：CN106096639A
公开(公告)日：2016-11-09
申请号：CN201610395532.9
申请日：2016-06-06
Applicant: 华侨大学
IPC: G06K9/62
CPC classification number: G06K9/6218
Abstract: 本发明公开一种基于密度热度的电离层雷达数据的聚类方法，所述聚类方法包括：步骤一：计算两个信号点pi和pj之间的距离di,j，生成信号点的距离矩阵(di,j)N×N，其中i、j表示信号点的序号，N表示信号点的数量；步骤二：根据信号点的距离矩阵(di,j)N×N确定各信号点的密度热度值；步骤三：根据各信号点的密度热度值对各所述雷达信号进行聚类处理，以确定各信号点的类别。本发明基于密度热度的电离层雷达数据的聚类方法根据任意两个信号之间的距离确定信号点的距离矩阵，根据信号点的距离矩阵确定各信号点的密度热度值，进而根据密度热度值对各所述雷达信号进行聚类处理，以确定各信号点的类别。基于密度热度值进行聚类可提高分类的准确度。
-
公开(公告)号：CN105631416A
公开(公告)日：2016-06-01
申请号：CN201510987710.2
申请日：2015-12-24
Applicant: 华侨大学
CPC classification number: G06K9/00275 , G06K9/00288 , G06K9/6222
Abstract: 本发明提出一种采用新型密度聚类进行人脸识别的方法，读取人脸图像，将图像矩阵转换为特征向量，用特征向量集f作为待聚类的数据集P的输入，计算P中每两个人脸特征向量点之间的距离，算出所有点的均值，在P中找到距离均值点最近的点作为密度中心点，计算所有点的密度，迭代寻找密度中心点，将最后的收敛点作为密度汇聚点，将密度汇聚点中是其自身，且密度值大于t的点作为局部密度中心点，对集合LPS中的所有点按最近邻近算法进行聚类，并标记类别标号，把其它所有非局部密度中心点p的类别初始化为-1,划归到与其汇聚中心点相同类别，剩下的类别标号为-1的点记为离群点，最后输出聚类结果，本发明具有准确度高，能识别复杂数据的优点，提高了人脸识别的准确度。
-
公开(公告)号：CN105488477A
公开(公告)日：2016-04-13
申请号：CN201510869577.0
申请日：2015-12-02
Applicant: 华侨大学
CPC classification number: G06K9/00496 , G06K9/00536 , G06K9/6218
Abstract: 本发明中的基于双重检验的假密度峰值检测算法，该基于双重检验的假密度峰值检测算法通过计算待聚类的数据集中每两个点之间的距离及所有点的外密度从而找出局部密度峰值点，而后通过计算局部密度峰值点的内密度最后找出假密度峰值点，由于内密度的计算，提高了基于密度的聚类算法的灵活性和处理复杂数据的能力，该基于双重检验的假密度峰值检测算法能有效提高传统基于密度的聚类算法的准确率，能够改善系统误码率性能，从而获得较低的错误平层。
-
-
-
-
Search Results
5
records
(took 0.021 seconds)
