1 弱光非线性光子学教育部重点实验室，南开大学物理科学学院，泰达应用物理研究院，天津 300071
2 药物化学生物学全国重点实验室，南开大学生命科学学院，细胞应答交叉科学中心，天津 300071
3 南开大学深圳研究院，广东 深圳 518083
4 山西大学极端光学协同创新中心，山西 太原 030006
核孔复合物（NPC）是细胞核膜上由多种蛋白组装而成的复杂结构，在细胞核质交换和信息传递中起着关键作用。单分子定位超分辨成像（SMLM）以其特异性和高成像分辨率成为研究NPC超微结构的主要方法之一。然而，由于抗体标记不完全等因素导致的数据丢失，给后续分析带来了困难。笔者使用SMLM提供的定位信息，结合基于密度的空间聚类算法（DBSCAN）和层次聚类算法进行数据的提取和分类，建立了NPC筛选和定位的分析流程，并采用该处理流程得到了缺失较少且形貌比较均匀的核孔。进一步，基于最小二乘法原理对筛选得到的大量NPC进行质心对齐的重构处理，成功复现出了其经典的八重对称结构，并揭示了核孔蛋白Nup133与Nup98的精确相对位置关系。本研究通过建立核孔筛选和重构的标准流程，填补了SMLM数据的缺失。采用该流程对多种核孔蛋白进行分析，揭示它们的结构特性。所建流程为理解核孔的复杂结构提供了一种高通量的定量分析方法。
生物光学 超分辨成像 单分子定位 核孔复合物 聚类算法 重构
空军工程大学装备管理与无人机工程学院, 西安 710000
现代战场的高复杂性和各种态势信息的不完备性使得传统的空中目标威胁评估方法难以适用于数据缺失的情况。针对该问题, 首先采用引入等距对数比变换(ILT)和球坐标变换的改进的量化双聚类算法(IQBA)补全目标属性缺失数据; 然后采用改进的基于灰靶理论和指标相关性的熵权法分析各属性的影响程度, 客观计算目标属性权重; 最后使用改进的灰色关联TOPSIS法来实现对作战任务目标的威胁评估, 划分威胁等级。仿真实验结果表明, 所提方法可以有效实现信息缺失条件下的空中目标威胁评估, 评估结果更加客观可靠。
空中目标 威胁评估 信息缺失 双聚类算法 改进熵权法 TOPSIS法 air target threat assessment information shortage biclustering algorithm improved entropy weight method TOPSIS method
1 华北理工大学 矿业工程学院, 唐山 063210
2 河北省矿业开发与安全技术重点实验室, 唐山 063210
针对实测爆破振动信号存在噪声和CEEMDAN方法在去噪过程中容易造成信息缺失的问题, 考虑聚类分析方法具有良好的数据处理能力, 依据分解-聚类-重构的思想, 提出了CEEMDAN-K-means算法的爆破振动信号去噪方法。首先, 该方法通过CEEMDAN方法分解爆破振动信号获得不同数量级的IMF分量;然后, 利用K-means聚类分析算法将IMF分量为五个不同类别并采用方差贡献率校核;最后, 剔除高频噪声类别的IMF分量, 获得重构的纯净爆破振动信号。以某露天矿爆破振动信号为例, 采用信噪比和均方根误差指标, 评价了CEEMDAN-K-means算法信号去噪性能。研究结果表明: 与CEEMDAN方法和EMD-小波阈值方法相比, CEEMDAN-K-means信号去噪方法信噪比(20.06 dB)最大, 分别提高了1.26 dB和7.7 dB, 均方根误差(0.22×10-3)最小, 说明该方法不仅具有良好的信号去噪效果, 也具有较好的保真度。通过对比分析不同方法信号去噪效果可知, 在有效保留真实信号成分的基础上, CEEMDAN-K-means方法可以有效去除实测爆破振动信号包含的高频成分, 在爆破振动信号去噪领域具有实用性和有效性, 为爆破振动信号去噪方法研究提供了新思路。
爆破振动信号 K-means聚类算法 去噪 blasting vibration signal CEEMDAN CEEMDAN k-means algorithm denoising
1 天津工业大学 机械工程学院，天津 300387
2 中国海洋大学 物理海洋教育部重点实验室，山东 青岛 266100
针对红外船舶目标在海上复杂海天背景下检测困难，且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题，提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题，通过改变K-means++聚类算法选取簇中心的评价标准，使用中位数代替平均数来决定簇中心，改进了锚框算法，使得锚框与船舶目标更加匹配，提高了算法的平均检测精度。改进后的聚类算法得到的锚框更加符合目标的分布特点。其次针对CIoU (Complete intersection over union)存在梯度爆炸、误检和漏检问题，通过改进边框回归损失函数中关于长宽比的惩罚项提出了MIoU (Multivariate intersection over union)回归损失函数，优化了算法的回归过程，提高了算法的收敛速度和检测精度，避免了相似目标的误检和漏检。改进后的回归损失函数使边框损失降低了1.5%。在红外船舶数据集上进行了消融实验和对比实验，消融实验结果表明文中改进算法的平均检测精度值相较于标准YOLOv5算法提高了1.1%，对比实验结果表明文中改进算法相较于其他改进YOLOv5算法具有更高的平均检测精度，验证了文中改进算法的优越性，提升了红外船舶目标的检测效果。
目标检测 红外船舶目标 聚类算法 边框回归 object detection infrared ship target clustering algorithm border regression 红外与激光工程
2023, 52(10): 20230006
1 武汉科技大学 信息科学与工程学院，湖北 武汉 430081
2 湖南大学 信息科学与工程学院，湖南 长沙 410082
3 北京航空航天大学 仪器科学与光电工程学院，北京 100191
VGGNet能提供高精度的火星图像分类，但需消耗大量内存资源。鉴于器载计算机内存资源有限，为解决这一矛盾，本文提出了基于迭代剪枝VGGNet的火星图像分类方法。首先，采用迁移学习训练网络的连通性，以便评估神经元的重要性；其次，通过迭代剪枝方法修剪不重要的神经元，以便将全连接层的参数量和内存占用量减少；最后，采用K-means++聚类实现权重参数的量化，利用霍夫曼编码压缩迭代剪枝与量化后的VGGNet权重参数，达到减少存储量和浮点数运算量的作用。此外，通过5种数据增强方法进行数据扩充，目的是解决类别不平衡的问题。实验结果表明，压缩后的VGGNet模型的所占内存、Flops和准确率分别为62.63 Mb、150.6 MFlops和96.15%。与ShuffleNet、MobileNet和EfficientNet等轻量级图像分类算法相比，所提模型具有更好的性能。
图像分类 卷积神经网络 迭代方法 聚类算法 VGGNet image classification convolutional neural networks iterative methods clustering algorithms VGGNet
江西理工大学信息工程学院, 江西 赣州 341000
图像分割在日常生活中扮演着重要角色, 传统的K-means图像分割具有随机性且容易陷入局部最优等缺陷, 使得分割质量大大降低。为改善这些现象, 提出一种基于Halton序列改进蝠鲼觅食优化(HMRFO)算法的K-means图像分割, HMRFO采用Halton序列初始化种群, 使得个体位置充分均匀, 再引入折射反向学习提升算法的全局搜索能力, 最后引入新型的高斯变异策略, 减小算法陷入局部最优的概率。在6个基准测试函数中对比了5种算法, 验证了HMRFO的有效性及可行性。同时, 将其应用于K-means图像分割中, 与其他4种算法进行对比, 结果显示HMRFO优化K-means具有较好的分割质量及泛化能力。
图像分割 K-means 聚类算法 Halton序列 蝠鲼觅食优化算法 折射反向学习 高斯变异 image segmentation K-means clustering algorithm Halton sequence Manta Ray Foraging Optimization (MRFO) Refracted Opposite-Based Learning (ROBL) Gaussian mutation
1 南开大学弱光非线性光子学教育部重点实验室，物理科学学院，泰达应用物理研究院，天津 300071
2 南开大学细胞应答交叉科学中心，药物化学生物学国家重点实验室，生命科学学院，天津 300071
3 南开大学深圳研究院，广东 深圳 518083
4 山西大学极端光学协同创新中心，太原 山西 030006
膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能，在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像（SMLM）技术为在纳米尺度解析膜蛋白的空间分布提供了可能，但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法（DBSCAN）是常用的聚类方法之一，但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法，该算法以DBSCAN方法为分割基础，通过进一步的面积阈值分析和层次聚类，在保持超分辨点簇图像精确聚类识别的前提下，仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法，有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。
生物光学 单分子定位超分辨成像 超分辨图像分割 膜蛋白 基于密度的空间聚类算法 层次聚类算法
1 河南大学 软件学院, 开封 475001
2 河南大学 智能网络系统研究所, 开封 475001
为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。
图像处理 低秩稀疏表示 归一化光谱角制图 密度峰值聚类算法 噪声标签检测 image processing low rank sparse representation normalized spectral angle mapping density peak clustering algorithm noise label detection
南京邮电大学 电子与光学工程学院, 南京 210023
为了提升可见光通信(VLC)室内环境下的定位精度, 提出一种基于双线性插值与K-means聚类算法结合的位置指纹定位改进算法。该算法首先建立初始指纹, 然后对待定位点所在聚类域中的指纹进行插值计算, 最后将插值后的部分区域指纹作为参考指纹库存, 选择一种匹配算法实现最终定位。在5 m×5 m×3 m的室内房间建立VLC系统模型, 仿真分析了指纹密集度对定位精度的影响以及改进算法的定位精度对比情况。仿真结果表明: 随着指纹库密集度的降低, 定位精度随之提高；改进算法使用插值指纹库与比使用初始指纹库的定位精度提高了21.5%, 同时大大降低了计算复杂度。
室内可见光定位 发光二极管 位置指纹法 指纹库密集度 K-means聚类算法 双线性插值法 indoor visible light positioning, light-emitting d
1 江西理工大学理学院，江西赣州341000
2 嘉兴学院数理与信息工程学院，浙江嘉兴314001
为改善高光谱压缩感知的重构质量，提出基于双频带预测的高光谱重构算法。引入K 均值聚类算法自适应地完成频带分组，并确定各组组内的双参考频带；再建立双频带预测模型获得预测图像；最后，在预测图像的基础上采用修正重构和加权融合方式，实现图像的高精确度重构。结果表明：在相同采样率下，该方法的重构图像的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于已有的重构方法。
高光谱影像 K 均值聚类算法 双频带预测 重构 hyperspectral image K-means clustering algorithm dual-band prediction reconstruction 太赫兹科学与电子信息学报
2022, 20(11): 1184
