2-D圓和矩形布局知識圖檢測的神經(jīng)網(wǎng)絡(luò)方法研究.pdf

1、對于衛(wèi)星艙等復(fù)雜布局設(shè)計(jì)問題,基于人機(jī)結(jié)合的演化(遺傳)算法是一種有效的方法。從2-D先驗(yàn)知識布局方案圖獲得其數(shù)值解,用以作為演化算法的初始種群個(gè)體,以及在演化過程中替代適應(yīng)度較差的個(gè)體,是使該算法性能提高的一個(gè)重要手段。在布局設(shè)計(jì)過程中,所有部件被簡化為2-D圓與矩形待布物。其先驗(yàn)知識布局圖的數(shù)值解檢測時(shí),是利用圓的解析性基于廣義 Hough變換檢測出圓參數(shù),并在每一次檢測出的圓時(shí)對其像素點(diǎn)進(jìn)行剔除,以提高其檢測效率。但由于受檢測精度

2、的限制,致使相鄰矩形邊緣殘缺而產(chǎn)生漏檢測。另外,如果布局方案中矩形之間存在少量重疊時(shí),容易產(chǎn)生誤檢問題。目前已有的算法對上述兩個(gè)問題還沒有得到很好的解決。因此,本文針對衛(wèi)星艙的先驗(yàn)布局知識圖檢測問題為背景,研究聚類和基于學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法,其主要工作和創(chuàng)新點(diǎn)如下:
　　1、針對衛(wèi)星艙先驗(yàn)布局方案知識圖殘缺矩形的檢測問題,給出了一種基于改進(jìn)k-means聚類的矩形檢測方法。首先利用本文提出的改進(jìn)k-means算法進(jìn)行聚類,本文改進(jìn)的

3、 k-means算法,是通過確定一個(gè)矩形,使得數(shù)據(jù)集合中的所有數(shù)據(jù)點(diǎn)都落在矩形內(nèi)或矩形邊界上,并將該矩形分割成相同尺寸的k個(gè)小矩形,計(jì)算落入每個(gè)小矩形內(nèi)或邊界的數(shù)據(jù)點(diǎn)的平均值,把計(jì)算出的平均值作為初始化中心值,再根據(jù)簇內(nèi)距離與簇間距離比值最小的方式得到最佳聚類數(shù)目k;然后根據(jù)聚類結(jié)果,尋找每個(gè)類簇的最大值和最小值,并利用該最大值和最小值初始化神經(jīng)元權(quán)值,避免了隨機(jī)初始化導(dǎo)致競爭失敗的情況,減少了計(jì)算量;
　　2、針對衛(wèi)星艙先驗(yàn)布局

4、方案知識圖相交矩形的檢測問題,給出了一種基于投影聚類的矩形檢測算法。首先基于本文提出的基于投影的聚類方法進(jìn)行聚類,該聚類方法不需要預(yù)先設(shè)定k值,對數(shù)據(jù)對象的輸入順序不敏感,并且需要的存儲空間較小;然后根據(jù)聚類結(jié)果,利用基于神經(jīng)網(wǎng)絡(luò)的檢測方法進(jìn)行矩形檢測,最后利用證據(jù)積累機(jī)制確認(rèn)真矩形,提高了算法的魯棒性。
　　本文是以衛(wèi)星艙先驗(yàn)布局方案知識圖檢測為背景,并將神經(jīng)網(wǎng)絡(luò)知識應(yīng)用到圓與矩形混合布局知識圖檢測問題當(dāng)中。同時(shí)也希望本文提出的