逆向调制无线光通信在无人机、小型化平台等领域具有广阔的应用前景, 但是易受大气湍流的影响, 接收信号会出现较大的低频随机性起伏,使用固定阈值的硬判决方法判决时误码率较高。为了提高信号判决的准确率, 提出一种基于K均值算法的信号判决方法, 通过学习接收到样值点的内在特征, 依据其相似性动态自适应地对该窗口内的样值点进行分类。研究结果表明: 湍流信道条件下, 与传统的硬判决方法相比, 基于K均值算法的信号判决方法误码性能更优, 误码率为10-6时, 信噪比需求降低约2 dB。

为了增强模糊局部信息C均值聚类算法的鲁棒性和分割性能, 提出一种基于特征选取的模糊局部信息C均值聚类算法。在现有的模糊局部信息C均值聚类算法基础上, 对其目标函数的局部邻域约束项添加邻域隶属度约束, 并将特征选取的思想引入该目标函数, 并利用KL散度作为正则项因子, 获得一种新的鲁棒模糊聚类算法。对算法迭代所获得的像素隶属度进行局部中值滤波, 再采用最大隶属度准则实现像素归类得到最终分割结果。实验结果表明, 文中算法相比现有的FLICM算法具有更好的分割性能和抗噪鲁棒性。

为了解决3×3耦合器相位解调中, 输出的3路信号分光比不均匀和相位差不能严格满足120°的非对称问题, 采用了一种新型的3×3耦合器解调方案, 并进行了理论分析和实验验证。利用均值算法对输出的任意两路信号分别进行预处理, 压缩原始3路输出信号之间的功率与相位的偏差, 使经过矫正后新的3路信号近似为对称状态输出。根据仿真与实验的结果, 分析了耦合器输出的对称性条件和新型解调方案的抗噪声能力。结果表明, 该新型解调方案可以有效矫正3×3耦合器3路输出信号的非对称性, 新方案的噪声水平约为10-4mW, 信噪比约为50dB,与传统的解调方案相比, 可以得到准确度与信噪比更高的待测信号。这一结果对光纤相位解调领域有很好的指导作用, 加速了光纤传感技术的实用化进程。

针对模糊C均值(FCM)聚类算法在数据集下聚类效果差的情况,以及基于欧氏距离的相似性度量只考虑数据点之间的局部一致性问题,提出了基于Jeffery散度相似性度量加权FCM聚类算法(JW-FCM)。引入源于Jeffery散度的相似性度量,首先,对于FCM算法进行特征加权,对数据的不同特征值赋予适当的权重,再将Jeffery散度与加权FCM算法进行结合得到JW-FCM算法。将JW-FCM算法与几种相关算法在人工数据集和UCI数据集上进行对比实验,通过实验分析与比较,证明了JW-FCM算法具有更好的收敛性、鲁棒性、准确性。实验结果表明,改进算法表现出较好的聚类效果。

太阳黑子的观测与识别是太阳物理学的重要任务。通过对太阳黑子的观测与分析，太阳物理学者可以更准确地分析以及预测太阳活动。随着观测仪器的不断进步，太阳全日面图像数据量也在快速增长。为了快速、准确地进行太阳黑子的自动识别和标注，本文提出了一种两层的太阳黑子识别模型。第一层模型采用深度学习模型 YOLO，并使用基于交并比的 k均值算法优化 YOLO的参数，最终的 YOLO模型能够识别绝大多数较大黑子和黑子群，仅有极少数孤立的本影较小的黑子未能识别。为进一步提高这类小黑子的识别率，第二层模型采用 AGAST特征检测算法专门识别遗漏的小黑子。在 SDO/HMI太阳黑子数据集上的实验结果表明，应用本文的层次化模型，各种形态的太阳黑子均能被有效识别，且识别速率高，从而能够实现实时太阳黑子检测任务。

针对非局部均值(NLM)算法度量邻域块相似度不够准确的缺点,提出了一种基于差异哈希算法与汉明距离的改进NLM算法。传统算法通过欧氏距离度量邻域块之间的相似度,保持边缘和细节的能力较弱,易导致滤波后的图像模糊失真。因此引入了包含梯度信息的差异哈希算法对欧氏距离进行改进,由邻域块生成差异哈希图像,并用其汉明距离衡量邻域块的相似度。实验结果表明,对于低噪图像,本方法在去噪的同时能较好地保持细节边缘,且相较其他算法,运行速度有很大提升,具有一定的应用价值。

基于灰度级的模糊C均值算法是一种快速的图像分割算法。因为无损检测图像灰度分布不均衡, 该算法不能有效分割图像中的目标与背景, 故提出一种改进的基于灰度级的模糊C均值算法 (IFCMG)。首先, 利用灰度级像素数和隶属度构造类的总隶属度表达式并将其融入目标函数中以均衡化目标像素和灰度像素对目标函数的贡献。接着, 推导基于新目标函数的隶属度和聚类中心。然 后, 考虑到类的密度也会影响聚类结果, 设计类的紧密度表征形式并将其融入聚类进程。最后, 采用无损检测图像进行分割实验。对于每幅图像, 本文算法具有较高的F_value指标值。利用综合评 价公式对所有F_value值进行评价, 本文算法综合评价值比对比算法分别高出26.13%, 16.46%, 13.75%, 25.10%。本文算法能够有效分割具有灰度分布不均衡特征的无损检测图像, 扩展了基于灰度 级的模糊C均值聚类算法的应用范围。

由于图像噪声强度和边界的不确定性,图像分割算法的抗噪性和准确性是一项具有挑战性的任务,提出两种改进的模糊聚类算法用于图像分割。本文算法共分两步:第一步利用各像素邻域信息自适应地对中心像素进行噪声可能性检测,噪声与图像细节参数用以构建新的加权图像,结合新图像给出两种新颖的模糊聚类算法;第二步对分割结果中可能存在的错分点进行检测并对其进行后处理,从而提高分割准确度和视觉效果。在不同的噪声水平下,利用人工合成图像、Berkeley图像及其他图像对本文算法进行分割实验,结果表明,相比于其他模糊聚类算法,本文算法在分割准确率和ARI(Adjusted Rand Index)上具有优势,而且分割结果图像轮廓清晰,视觉效果更好。

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取 方法的基础上,提出一种基于加权模糊C均值算法方案。该方案通过加权模糊 C均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业 内公认的原型空间提取算法相比,该方案在相对较小的数据集下,具有较为理想的稳定性,较高的分类精度, 大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。

提出了一种网目调光谱反射率预测方法。网目调单个网点由若干个区域组成：网点核心区域，该区域的油墨层厚度均匀，且等于实地印刷的油墨层厚度；其余边缘区域有一个模糊的厚度分布函数，这部分油墨层厚度比实地油墨层厚度薄,且越靠近网点边缘油墨层厚度越薄。采用模糊局部信息C均值算法按像素密度值聚类网目调单个网点,得到了层次分明的网点密度分布并计算各个层次的面积率。以此建立了一个新的光谱反射率预测模型，该模型预测的光谱反射率与实际印刷样张测量得到的光谱反射率具有很好的光谱匹配曲线，证明该算法模型具有较高的预测精度。