2-D圓和矩形布局知識圖檢測的神經網絡方法研究.pdf

1、對于衛(wèi)星艙等復雜布局設計問題,基于人機結合的演化(遺傳)算法是一種有效的方法。從2-D先驗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體,以及在演化過程中替代適應度較差的個體,是使該算法性能提高的一個重要手段。在布局設計過程中,所有部件被簡化為2-D圓與矩形待布物。其先驗知識布局圖的數(shù)值解檢測時,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對其像素點進行剔除,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生漏檢測。另外,如果布局方案中矩形之間存在少量重疊時,容易產生誤檢問題。目前已有的算法對上述兩個問題還沒有得到很好的解決。因此,本文針對衛(wèi)星艙的先驗布局知識圖檢測問題為背景,研究聚類和基于學習的神經網絡方法,其主要工作和創(chuàng)新點如下:
　　1、針對衛(wèi)星艙先驗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k-means聚類的矩形檢測方法。首先利用本文提出的改進k-means算法進行聚類,本文改進的

3、 k-means算法,是通過確定一個矩形,使得數(shù)據(jù)集合中的所有數(shù)據(jù)點都落在矩形內或矩形邊界上,并將該矩形分割成相同尺寸的k個小矩形,計算落入每個小矩形內或邊界的數(shù)據(jù)點的平均值,把計算出的平均值作為初始化中心值,再根據(jù)簇內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)聚類結果,尋找每個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元權值,避免了隨機初始化導致競爭失敗的情況,減少了計算量;
　　2、針對衛(wèi)星艙先驗布局

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行聚類,該聚類方法不需要預先設定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)聚類結果,利用基于神經網絡的檢測方法進行矩形檢測,最后利用證據(jù)積累機制確認真矩形,提高了算法的魯棒性。
　　本文是以衛(wèi)星艙先驗布局方案知識圖檢測為背景,并將神經網絡知識應用到圓與矩形混合布局知識圖檢測問題當中。同時也希望本文提出的