针对无先验知识下, 混合二进制协议数据帧难以识别分离的问题, 提出了一种基于联合高斯混合模型 (GMM)和自编码器的聚类方法。对于捕获到的未知二进制数据帧, 首先通过栈式自编码器对其进行降维提取特征, 并根据相应判别准则获取最佳聚类个数, 最后使用改进了代价函数的自编码器对二进制数据帧进一步训练以提高聚类准确率。实验表明, 该方法对网络二进制协议数据帧识别的准确率达到 94%以上。

基于BOF(Bag of features)图像检索算法对电气设备图像进行分类,首先,通过加速鲁棒特征(SURF)算法寻找特征点位置,构造高维特征描述算子对特征进行描述和统计。然后,利用K-means聚类算法处理特征描述算子,得到独立的视觉词汇并汇总为特定数目的码书。将码书中的特征描述算子进行量化和加权统计,用特征向量直方图表示整个图像。最后,用训练集图像的高维特征向量进行机器学习,对未知图像进行快速准确分类。将自然光条件下拍摄的电气设备图像和电气设备工作状态下的红外图像作为两个实验样本集进行分类测试,结果表明,该算法可对不同图像集实现快速准确分类,准确率可达95.59%。

针对遥感影像感兴趣区域检测中所需的全局搜索与建立先验知识库等问题，提出基于显著特征聚类的遥感图像感兴趣区域检测算法。利用色彩信息，在不同的颜色通道(RGB)构建直方图以计算不同颜色通道的信息图，融合得到单幅图的显著图。接着通过k-means在CIELab颜色空间上进行聚类，在簇的层级上计算显著值，以降低计算复杂度，从而获得CIELab颜色空间的显著图。将单幅显著图与CIELab空间显著图对应融合，得到最终显著图。根据获得的最终显著图构建感兴趣区域掩膜，以达到将感兴趣区域分割出来的目的。实验结果表明，该算法不需要建立先验知识库，获得显著图结果更加准确，对遥感图像的显著性区域检测有实际意义。