32、无人机目标检测与数据聚类算法研究

无人机目标检测与数据聚类算法研究

在当今科技领域，无人机目标检测和数据聚类是两个备受关注的重要方向。本文将介绍两种不同的算法及其在相关领域的应用，分别是基于K - EPF和DPIO的混合模型用于无人机目标检测，以及基于水文循环优化（HCO）和K - means的混合数据聚类方法。

基于K - EPF和DPIO的无人机目标检测

在无人机目标检测中，为了提高检测的准确性和效率，研究人员提出了一种基于K - EPF和DPIO的混合模型。

算法原理

当算法接近精英列表位置（即算法开始收敛）时，在地标算子中，会将精英列表中位置的均值作为鸽子的固定中心。鸽子会围绕这个中心分布进行反复搜索，最终使算法得到最优值。其搜索位置的计算公式为：
$X_i = X_{i,G} + rand(D, 1) \cdot (l - X_{i,G})$
其中，$X_i$ 是鸽子 $i$ 的搜索位置，$X_{i,G}$ 是鸽子 $i$ 的位置，$l$ 是精英列表中位置的均值（在地标算子中，精英列表不再更新）。

实验设置

为了研究混合模型和DPIO算法在应用中的可行性和有效性，研究人员选择了PIO、PSO、GA算法进行对比实验，并选取了三张不同的图像进行测试。
- 目标检测与参数设置 ：为了评估KEPF - DPIO在无人机目标检测问题中的性能，实验选取了三张不同识别目标的航拍图像，分别识别图像中不同位置和大小的建筑物、飞机和船只，以展示该方法的适用性。为了评估在杂波背景下的性能，还为每张照片添加了高斯噪声。同时，实验中使用了KEPF和EPF的组合进行目标检测，并对这两种识别方法进行