研究论文均值聚类和孪生支持向量机相结合的高光谱图像半监督分类.pdf

实现k均值聚类，只需简单修改一两个参数就可以实现聚类效果

基于高光谱成像技术的水稻种子半监督分类

多分类支持向量机的一篇论文，思路比较清晰

基于云模型的高光谱遥感图像的分类研究，李万臣，郭逢丽，现有的分类方法都没有考虑或者没有彻底考虑高光谱遥感图像数据的不确定性，因此提出了一种基于云模型的高光谱遥感图像分类方法。

将一种改进的K均值聚类算法应用于支持矢量机（SVM）的训练。基于这一改进的聚类算法,设计了SVM的增量式训练步骤,并给出了在训练过程中删除无用样本的的方法。模式分类的实验结果表明,这种改进的K均值聚类

无监督模糊C均值聚类自然图像分割算法

单类支持向量机是一种用途广泛的分类器，它能够应用于负类样本难以收集的领域中，如入侵检测、故障检测与诊断和遥感数据分类等领域。因此无论在理论研究还是实际应用方面，单类支持向量机受到越来越多的关注。回顾单

图像处理通常需要较大的计算量，其中图像去噪是经常使用的一种预处理算法，研究其快速算法具有重要意义。图形处理器具有强大的并行计算能力，但大部分时间处于闲置状态。统一计算设备架构提供了一种简单易用的开发环

K-均值聚类算法必须事先获取聚类数目，并且随机地选取聚类初始中心会造成聚类结果不稳定，容易在获得一个局部最优值时终止。提出了一种基于半监督学习理论的改进K-均值聚类算法，利用少量标签数据建立图的最小生

将支持向量机应用于储粮昆虫图像的边缘检测中,利用支持向量机两类分类的思想,借助“支持向量”分辨出图像的背景和目标从而检测了图像的边缘,探讨了图像的边缘检测的一种新方法。