發(fā)布時間：2022-01-14 21:55

　　隨著時代的進步,k-means算法與各個領(lǐng)域的技術(shù)相融合,取得了突破性進展,尤其在圖像識別方面,發(fā)揮了關(guān)鍵性作用。本文通過對k-means算法的研究和分析,將其應(yīng)用在雜草圖片處理上,將處理過的雜草圖片數(shù)據(jù)聚類并放入一個庫,和新輸入的圖片進行對比,判斷雜草的分類歸屬。通過對k-means算法的缺點改進,在整個運算開始前加入一個層次聚類,優(yōu)化了整個雜草分類的過程中經(jīng)典算法耗時久、準(zhǔn)確率低的問題。為雜草分類和剔除提供了簡便快捷的手段。具體研究內(nèi)容如下:1.通過研究目前應(yīng)用的雜草分類技術(shù)和k-means算法的性質(zhì),探索本文雜草分類應(yīng)用的方法和思路。研究了k-means算法在人臉識別領(lǐng)域的應(yīng)用,了解了各種雜草分類技術(shù),分析了k-means算法的歷史、性質(zhì)、定義、要點、應(yīng)用。2.優(yōu)化了k-means算法。在充分了解k-means算法的基礎(chǔ)上,通過分析k-means算法的缺陷,提出了在k-means算法進行之前,先加入一個層次聚類的方法,實現(xiàn)了對經(jīng)典算法的改進,提高了準(zhǔn)確性的同時降低了運算時間。3.通過改進算法進行實驗,快速簡便的分類出了雜草。為了驗證本文的改進算法和對雜草分類研究思路的正確性進行了... 

【文章來源】：華北水利水電大學(xué)河南省

【文章頁數(shù)】：47 頁

【學(xué)位級別】：碩士

【部分圖文】：

人臉識別解釋圖

圖 2-1 未標(biāo)記樣本集Figure 2-1 Unlabeled sample set圖 2-1 是未做標(biāo)記的樣本集，通過他們的分布，我們很容易對上圖中的樣本做種劃分[22]。當(dāng)需要將其劃分為兩個簇時，即 k=2 時：如圖 2-2 所示：

K=2時樣本集Figure2-2SamplesetatK=2當(dāng)需要將其劃分為四個簇時，即k=4時，如圖2-3所示：

【參考文獻】：
期刊論文
[1]基于集對分析的徑流豐枯分析[J]. 李繼清,鄭威,李建昌,金菊良,周婷.  華北水利水電大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[2]基于SWAT模型的區(qū)域農(nóng)業(yè)干旱模擬研究[J]. 王富強,王金杰,石家豪.  華北水利水電大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[3]寧夏中部干旱帶農(nóng)牧交錯區(qū)農(nóng)田雜草型藥用植物資源[J]. 李明,左忠,李吉寧,劉華,安鈺.  寧夏農(nóng)林科技. 2016(06)

博士論文
[1]多光譜、超光譜成像探測關(guān)鍵技術(shù)研究[D]. 許洪.天津大學(xué) 2009

碩士論文
[1]基于稀疏表示分類的植物葉片識別方法研究[D]. 杜海.山西農(nóng)業(yè)大學(xué) 2018
[2]基于深度學(xué)習(xí)的視覺問答方法研究[D]. 曹良富.電子科技大學(xué) 2018
[3]基于K-means特征學(xué)習(xí)的雜草識別研究[D]. 何俐珺.西北農(nóng)林科技大學(xué) 2016
[4]基于聚類與K近鄰算法的LKJ運行記錄數(shù)據(jù)分析及故障診斷[D]. 史佳.蘭州交通大學(xué) 2015
[5]初始聚類中心優(yōu)化的K-means改進算法[D]. 張永晶.東北師范大學(xué) 2013
[6]基于半監(jiān)督佳點集和Leader的K-means聚類算法研究[D]. 張娟.安徽大學(xué) 2011
[7]基于物理模型的聚類方法研究[D]. 張鵬.電子科技大學(xué) 2011
[8]聚類算法及其在頁面聚類中的應(yīng)用研究[D]. 方杰.合肥工業(yè)大學(xué) 2009
[9]基于SOM及K均值聚類方法的分布式入侵檢測模型的研究[D]. 袁正.天津理工大學(xué) 2009
[10]基于魚群的K均值聚類算法研究[D]. 王薇.哈爾濱工程大學(xué) 2008



本文編號：3589278