为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
2024/4/14 16:22:47
2.56MB
1
为了提高雷达调制信号在电子对抗环境中的分选准确度，建立了基于偏联系数模糊聚类(PCFCM)算法和教与学随机森林(TLRF)算法的雷达调制信号分选(PCFCM-TLRF)模型。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
3.03MB
1
k-means总结汇总介绍基于k-means50年来的发展历程，系统的介绍了各种基于k-means的算法。
非常好的数据挖掘入门读物。
非常好的数据挖掘入门读物。
2024/3/28 10:50:36
950KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB