针对现有的金属氧化物避雷器(Metal Oxide Arrester, MOA)红外图像故障检测方法存在识别精度低、检测速度较慢的问题, 提出一种基于改进 YOLOv3的 MOA红外图像故障检测方法。首先, 以 Darknet19网络代替 YOLOv3原始的 Darknet53网络, 并在特征学习时针对样本中不同 MOA长宽比例, 通过 K-means聚类算法对 MOA图像中的目标帧进行分析, 重新聚类样本中心锚点框, 得到合适的锚框数目和大小。最后, 利用改进 YOLOv3模型完成 MOA红外图像故障检测。实验结果表明, 改进的 YOLOv3模型识别精度达到 96.3%, 识别速度为 6.75 ms。

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。

为修复破损纺织品文物图像，在Criminisi算法基础上，提出一种改进的基于K-means颜色分割的纺织品文物图像修复算法。根据纺织品文物图像的特点，将RGB图像转化为Lab颜色模型，采用K-means分类器对a*b*层数据基于颜色进行分割处理，对纹样图案边缘进行标定并缩小匹配块搜索区域；引入L值的标准差来表示颜色离散度，对优先权函数以及自适应匹配块进行改进。用所提算法与文献报道的3种算法对自然破损纺织品文物图像和人为破损纺织品图像进行修复，并对修复结果进行评价。实验结果表明，所提算法修复的图像纹理自然、结构合理，峰值信噪比、结构相似性、特征相似性、均方误差值更好。

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。

玻璃在中国史料中早有记载, 但是由于长期存在名称和质地的混淆, 且近现代有关中国古代玻璃的研究起步较晚, 关于古代硅酸盐玻璃的风化和成分研究比较缺乏。以往研究古代玻璃器的著作, 多是从王朝更替的角度, 对文化交流、化学分析等方面研究玻璃的文化艺术形态及其自身的运行发展的规律, 较少有学者系统建立数学模型并使用智能算法定性定量开展风化硅酸盐玻璃原成分预测及亚分类方法研究。本工作以多组风化和未风化硅酸盐玻璃为研究对象, 提取其化学成分含量、纹饰和颜色等数据, 利用Spearman系数分析了纹饰、颜色和玻璃大类之间的相关性并研究影响表面风化的因素; 利用决策树进行大致分类, 然后用神经网络预测玻璃风化前主要化学成分的含量, 并总结硅酸盐玻璃的分类依据。此后通过K-means聚类建立分类模型: 确定最佳类别数, 进行亚类划分, 寻找铅钡玻璃和高钾玻璃的最优分类数量。研究结果表明, 只有玻璃类型对表面风化具有显著影响; 风化过程中参与度较高的化学成分为二氧化硅、氧化铝、氧化铅、氧化钡、氧化铅和五氧化二磷; 风化后, 铅钡玻璃二氧化硅含量明显下降, 氧化铅含量明显上升, 而高钾玻璃二氧化硅含量明显上升, 氧化钾氧化钙和氧化铝含量明显下降; 高钾玻璃分为3个亚类, 铅钡玻璃分为4个亚类。为后续利用机器学习研究古代硅酸盐玻璃的风化和成分提供了参考。

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。

提出了犯罪现场常见的塑料快递包装袋物证的识别分类模型。利用X射线荧光光谱法对60个不同产地和品牌的塑料快递包装袋样品进行了元素种类及含量的检验，并依据光谱数据进行了定性半定量分析，将60个样品初步分成13类。探究了簇内误差平方和（SSE）与聚类数的关系，并确定最优聚类数为6，利用K-means算法将60个样品成功聚成了6类，最后对聚类结果进行了Fisher判别分析。经检验，60个样品的原始分类正确率和交叉验证后的分类正确率分别为98.3%和91.7%，验证了基于K-means和SSE的塑料快递包装袋样品识别分类模型的准确性与科学性。基于X射线荧光光谱法、K-means和SSE，所提模型能无损、快速且有效地检验及识别分类塑料快递包装袋物证，结果准确可靠。

为解决未知概率整形因子信号的自适应相位恢复问题,提出了一种基于K-means聚类的自适应相位恢复算法。通过理论分析与数值仿真,验证了基于K-means聚类进行星座点模值半径重定位的可行性,将K-means聚类与前馈式载波相位恢复算法相结合,解决了概率整形信号经归一化处理后存在的星座点相对放大的问题,实现了未知概率整形因子信号相位的自适应恢复。对该算法在不同光信噪比、不同激光器线宽下的16正交幅度调制(QAM)与64QAM信号进行了分析,结果表明所提算法不仅可用于未知概率整形因子下信号的相位恢复,还可用于均匀QAM信号的相位恢复。所提算法在星座点模值的重新定位中考虑了噪声的影响,在相同的测试相位数量下可以实现更高精度的相位补偿,对于均匀QAM信号的光信噪比容忍度提升了约1 dB。