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。

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。

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。

为了满足无人飞行器自主导航对姿态参数的迫切需求,提出一种利用大气偏振信息获取载体三维姿态信息的方法。首先充分解析大气偏振模式;然后采用K-means聚类算法解算太阳在空间中的位置信息;最后利用磁罗盘与载体体轴夹角获取载体的航向信息。在已知航向角的基础上,对导航坐标进行基准变换。首先将天顶点与太阳位置处于同一轴向,使得天顶点与太阳位置矢量处于同一基准并同时旋转;然后根据天顶点与太阳位置固有的高度夹角,将俯仰角与横滚角的计算进行转换;最后通过一系列的转换和计算得到横滚角和俯仰角的信息。实验结果表明,利用大气偏振模式解算的太阳位置可获得有效的载体姿态信息,模拟仿真的解算精度可达0.01°,外场实验的精度可达0.1°。

针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。