Opracowanie przedstawia metodę detekcji i estymacji parametrów ruchu, wykorzystującą algorytm klasteryzacji oraz podaje modyfikację procesu pasowania klasterów. Zaletą metody jest względnie mała wrażliwość na zniekształcenie sceny w ruchomych obrazach. Skuteczność metody została przedstawiona na podstawie analizy sekwencji obrazów o różnym stopniu złożoności. Wyniki przeprowadzonych badań zamieszczono w tabelach. Aby uwydatnić cel modyfikowania algorytmu, porównano wyniki detekcji ruchu na tych samych sekwencjach obrazów.
EN
The detection algorithm presented in the article differs from typical methods of a motion detection. The matching refers to regions of images (objects) which are coherent with regard to their intensity. They are obtained in the clustering process (hence these regions are called clusters). The moving objects are represented by shifted clusters which have similar intensity and shape features. There are at least two reasons that make this method interesting: - generation of a more regular optical flow than in case of other methods; - detection of a motion on a large scale changes of an object location in the image as well as changes of intensity and shape deformation of an object.
W artykule przedstawione zostały architektura oraz projekt systemu, którego celem jest umożliwienie zbudowania platformy pozwalaja˛cej na indeksowanie dużych kolekcji tekstowych oraz wyszukiwania w nich, za pomoca˛ autorskich algorytmów, opartych o zysk informacjny oraz interaktywną komunikację z użytkownikiem. Przeprowadzono ocenę skuteczności zastosowanych algorytmów pod względem zarówno klasteryzacji jak i zbieżności algorytmu opartego o zysk informacyjny.
W pracy są rozpatrywane 3 techniki klasteryzacyjne: klasyczna k-means oraz dwie nowe (optimal-cut, max quantization error). Ich porównanie przeprowadzono na 5 obrazach scen naturalnych przy klasteryzacji na 12 i 6 klasterów i zastosowaniu 2 kryteriów: błędu kwantyzacji barwy oraz oceny jakości segmentacji obrazu. Badania potwierdziły efektywność techniki optymalnego cięcia (OpC).
EN
In this paper are investigated three following clustering techniques: the classical k-means and two new techniques: the optimal-cut (OpC) and the max quantization error (MQE). The comparison presented here is based on testing of five natural color images for clustering into 12 and 6 clusters. In evaluation process two criteria were used: the colour quantization error and the image segmentation quality measure. During tests the effectivity of OpC technique has been proved.
W artykule scharakteryzowano problematykę klasteryzacji punktów obsługi dla problemu trasowania pojazdów. Przybliżono wybrane metody klasteryzacji opisywane w literaturze przedmiotu. Zaproponowano algorytm klasteryzacji punktów obsługi zmniejszający złożoność obliczeniową problemu trasowania pojazdów.
EN
The article characterizes the problem of service points clustering in vehicle routing problem. Selected clustering methods described in literature are reviewed. New heuristic service points clustering algorithm that reduces the computational complexity of the vehicle routing problem is presented.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W artykule przedstawione zostały zagadnienia związane z dynamiką energetycznych filtrów aktywnych (EFA). Ścisły związek z reakcją układów EFA na zmiany obciążenia mają filtry cyfrowe stosowane w algorytmie sterowania służące do dekompozycji składowych mocy chwilowej. W pracy przedstawione zostały wyniki symulacji i badań laboratoryjnych z porównaniem dynamiki układu EFA dla wybranych filtrów cyfrowych.
EN
This paper considers problems concerning database image clustering by image contents. Several clustering validity techniques and indices have been presented. This paper presents results of series of experiments of clustering real image data set using Quasi-Color Histogram method.
W ramach niniejszej pracy przeprowadzone zostały masowo spektrometryczne badania benzoesanu srebra przy użyciu spektrometru mas z pomiarem czasu przelotu jonów (TOF) ze źródłem jonów LD (Laser Desorption). Celem przeprowadzonych badań było uzyskanie maksymalnych natężeń prądów tworzonych przez obserwowane w widmie mas jony poprzez dobór podłoży jonizowanych próbek. Praca poświęcona została zbadaniu wpływu różnych podłoży na charakter widma masowego benzoesanu srebra, w szczególności na wydajność procesów klasteryzacji srebra.
EN
Mass spectrometric studies of silver benzoate by means of time of flight (TOF) mass spectrometer with the LD ion source were performed. The aim of these studies was to maximize the intensities of mass peaks recorded in experiment by using different target materials. The influence of the sample substrate on the nature of the observed mass spectrum of silver benzoate was examined, particularly processes of silver clustering were taken into account.
W niniejszej pracy zostaną zaprezentowane wyniki użycia dwóch metod bezwzorcowej klasyfikacji statystycznej (metoda aglomeracji, metoda grupowania k-średnich) oraz metody klasyfikacji bezwzorcowej za pomocą sieci neuronowej Kohonena.
EN
The article presents functioning of statistical methods of classification without the pattern: agglomeration and clusterization of k-averages and the method based on Kohonen neural network applied to classification the quality of life of OECD' inhabitants data.
8
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Algorytm klasteryzacji metodą k-średnich to jeden z najpopularniejszych sposobów służących do klasyfikacji danych przy użyciu metod sztucznej inteligencji. Otrzymane klastry mogą dalej posłużyć do budowy np. modeli neuronowych z wykorzystaniem dzwonów Gaussa (sieci RBF) czy rozmytych modeli Takagi-Sugeno. Niniejszy artykuł przedstawia implementację tego algorytmu języku C++. Można tu znaleźć opis klasy, która może później posłużyć jako biblioteka do dowolnego programu napisanego w tym języku
EN
K-means clustering algorithm is one of the most popular ways for data classification using artificial intelligence methods. Obtained clusters can be further used e.g. to build RBF networks or Takagi-Sugeno fuzzy models. This paper contains the implementation of this algorithm in C++ programming language. You can find there the description of the class, which can serve as a library in different programs written in C++.
9
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Data classification is one of the most common tasks irwestigated within the artificial intelligence framework. Its accuracy depends on relevancy of features used to describe the classified objects. However, the fact, which features (among the all measured ones) convey significant information enabling to discriminate the data classes, is known only when feature selection is performed. The paper describes a feature selection method that is capable of solving the problem in an unsuperyised learning mode.
PL
W pracy przedstawiono nową metodę nienadzorowanej selekcji cech. Proponowane podejście zakłada, że wektory danych tworzą w przestrzeni cech znaczących klastry dobrej jakości. Jako miarę jakości klasteryzacji wybrano uśredniony współczynnik kształtu z uwagi na fakt, iż miara ta jest niezależna od położeń centrów klastrów wyznaczanych w procedurze grupowania. Drugim kluczowym elementem opracowanej metody jest tzw. hybrydowy algorytm genetyczny - stratega przeszukiwania przestrzeni cech. Algorytm ten łączy zalety strategii losowych oraz sekwencyjnych. Z jednej strony zachowuje on zdolność do ucieczki z optimum lokalnego optymalizowanej funkcji, z drugiej zaś pozwala kontrolować do pewnego stopnia kierunek poszukiwań. Mechanizm ten zapewnia dużą prędkość zbieżności w pobliżu najlepszego rozwiązania.
W pracy podjęto próbę grupowania indeksów giełdowych celem utworzenia jak najbardziej zbliżonych klastrów. Proponowana metodyka może umożliwić bardziej obiektywną analizę rynku kapitałowego jak i podejmowanie na nim decyzji.
EN
This paper attempts to group stock indices to form the most similar clusters. The proposed methodology may allow for a more objective analysis of the capital market and make a decision on it.
Przedstawiony został nowy algorytm klasteryzacji rozproszonej bazujący na gęstości - PPDBDC. Algorytm operuje na danych przestrzennych, które są rozproszone poziomo pomiędzy kilka stron biorących udział we wspólnej eksploracji danych. Został zaprojektowany, opierając się na istniejących algorytmach klasteryzacji rozproszonej DBDC oraz SDBDC, jednak dodatkowo pozwala na zachowanie prywatności przetwarzanych danych.
EN
The paper proposes a new density-based distributed clustering algorithm - the PPDBDC (Privacy Preserving Density-Based Distributed Clustering) algorithm.. This algorithm can be applied to horizontally distributed spatial data in a data mining process. It is based on existing distributed clustering algorithms: the DBDC algorithm and the SDBDC algorithm. In addition presented solution enables local data privacy preservation.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.