基于离群点检测和自适应参数的三支DBSCAN算法

针对经典的DBSCAN算法存在难以确定全局最优参数和误判离群点的问题,该算法首先从选择最优参数角度出发,通过数据集的分布特征生成Eps和MinPts列表,将两个列表中的参数进行全组合操作,把不同的参数组合依次进行聚类,从而寻找准确率最高点对应的参数。最后从离群点角度出发,将三支决策思想与离群点检测LOF算法进行结合。该算法与多种聚类算法进行效果对比分析,结果表明该算法能够全自动化选择全局最优参数,并提高聚类算法的准确性。

基于DBSCAN算法与GMM理论的铝合金板孔边疲劳裂纹萌生监测

针对航空结构中多孔铝合金板在疲劳载荷作用下的孔边裂纹萌生监测问题,以光纤传感系统为基础结合小波分解、含噪声的密度空间聚类以及高斯混合模型,提出了一种孔边裂纹萌生监测方法。首先以光纤光栅传感系统采集循环加载条件下多孔铝合金板孔边裂纹萌生至结构断裂全程中孔边微应变并构建孔边微应变曲线。对孔边微应变曲线进行小波分解,得到微应变曲线的低频分量与高频分量,并以低频分量最小值及高频分量突变作为孔边裂纹萌生特征。在分析裂纹萌生时引入DBSCAN算法与GMM理论用于计算孔边裂纹萌生时的疲劳加载循环数并进行比较与分析得到多孔铝合金板孔边主裂纹的萌生位置以及孔边主裂纹裂纹萌生时的疲劳加载循环数。试验结果表明:此监测方法能够准确定位出孔边主裂纹的萌生位置,计算孔边主裂纹萌生时的疲劳加载循环数,且疲劳加载循环数计算误差在5%以内。在未来可应用于全机地面疲劳试验、结构健康监测等多种场景。

基于参数自适应DBSCAN算法的浮标位置数据异常检测

针对遥测遥控系统采集浮标位置数据时易受外在因素的干扰,提出了一种K近邻优化的参数自适应DBSCAN算法,来检测浮标位置数据中的异常点。通过分析数据集的分布特性生成最优邻域距离值ε和邻域内样本点数量MinPts列表,引入卡林斯基-哈拉巴斯指数对列表中的参数进行评分,将最高评分对应的参数作为最优参数,实现DBSCAN算法的自适应聚类。实验结果表明,新算法能够自适应选择最优参数,对浮标遥测位置数据的异常点进行有效检测。

基于GWO-DBSCAN算法的电商用户价值分类模型设计与实现

基于对电商平台用户画像中用户价值标签的现状了解,分析了以往电商平台常用的K-means聚类方法的不足之处,并在此基础上选取多个聚类方法进行横向对比,确定了GWO-DBSCAN聚类方法来处理电商用户行为数据。采用基于密度划分的DBSCAN聚类算法,针对DBSCAN算法聚类效果受扫描半径eps和最小包含点minpts影响较大的问题,利用灰狼优化算法的全局寻优特性对最佳扫描半径eps和最小包含点minpts求解,实现对电商用户群体更合理的聚类。通过实践检验发现,采取GWO-DBSCAN算法聚类的结果与使用其他聚类方法得到的结果相比,在用户分类的合理性方面有较明显的提升。

基于DBSCAN算法的用电数据预处理与清洗技术研究

随着智能电网的发展,智能用电网络中的数据质量问题,如数据缺失、错误和异常,严重影响了数据分析的准确性。文章通过数据标准化、缺失值处理和DBSCAN算法等进行数据清洗,以提高数据质量,确保后续数据分析的准确性和可靠性。研究结果表明,这些技术的应用不仅提高了数据质量,还为智能电网的进一步发展提供了技术支持。

DBSCAN算法的研究与应用

本文主要对基于密度的聚类算法中的经典DBSCAN算法进行了研究,首先从算法理论层面对DBSCAN算法进行了阐述分析,然后利用DBSCAN算法进行仿真实验,最后对各地区的就业率进行了分析。

基于LV-DBSCAN算法的大坝安全监测数据异常检测

大坝安全监测数据原始序列中常存在异常测值,极大影响了大坝安全监测资料分析的可靠性和准确性。为此,在分析异常值特性及传统异常检测方法优缺点的基础上,分别从局部与整体角度研究监测数据异常检测方法。首先针对多重局部异常系数法要求数据序列较长且数据等时间间距等缺陷,提出了局部变化异常系数法(LV)及局部方法与整体方法协同判别策略;进一步引入密度聚类算法(DBSCAN),提出了兼顾数据整体与局部特性的LV-DBSCAN异常检测方法。以某混凝土重力坝两垂线测点顺流向位移监测数据为实例,对比分析了不同方法在不同类型数据集上的检测精度。研究结果表明,所提LV-DBSCAN方法适用性更广,准确率更高,误判率更低。

FDBSCAN:一种快速 DBSCAN算法(英文)

聚类分析是一门重要的技术 ,在数据挖掘、统计数据分析、模式匹配和图象处理等领域具有广泛的应用前景 .目前 ,人们已经提出了许多聚类算法 .其中 ,DBSCAN是一种性能优越的基于密度的空间聚类算法 .利用基于密度的聚类概念 ,用户只需输入一个参数 ,DBSCAN算法就能够发现任意形状的类 ,并可以有效地处理噪声 .文章提出了一种加快 DBSCAN算法的方法 .新算法以核心对象邻域中所有对象的代表对象为种子对象来扩展类 ,从而减少区域查询次数 ,降低 I/ O开销 .实验结果表明 ,FDBSCAN能够有效地对大规模数据库进行聚类 ,速度上数倍于 DBSCAN.

自适应确定DBSCAN算法参数的算法研究

传统DBSCAN算法需要人为确定Eps和MinPts参数,参数的选择直接决定了聚类结果的合理性,因此提出一种新的自适应确定DBSCAN算法参数算法,该算法基于参数寻优策略,通过利用数据集自身分布特性生成候选Eps和MinPts参数,自动寻找聚类结果的簇数变化稳定区间,并将该区间中密度阈值最少时所对应的Eps和MinPts参数作为最优参数。实验结果表明,该算法能够实现聚类过程的全自动化并且能够选择合理的Eps和MinPts参数,得到了高准确度聚类结果。

一种改进的DBSCAN算法

聚类技术是数据挖掘中的一项重要技术,它能够根据数据自身的特点将集中的数据划分为簇.DBSCAN是一种经典的基于密度的聚类算法,能发现任意数量和形状的簇,但需设置Eps和MinPts参数,且聚类效果对参数敏感.提出一种改进的DBSCAN算法,该算法采用自适应的Eps参数使得DBSCAN算法能对具有不同密度的簇的数据集进行聚类.仿真实验结果验证了所提算法的有效性.

基于改进DBSCAN算法的激光雷达车辆探测方法

结合车辆行驶的实际环境,提出了一种基于改进DBSCAN快速聚类算法的激光雷达车辆探测方法.建立激光雷达与摄像机传感器坐标与车辆坐标之间的转换模型,进行数据融合,通过改进DBSCAN算法对雷达数据进行去噪声和聚类处理,根据车辆在激光雷达探测中的形状特征模型进行形状匹配,实时完成车辆探测,并将探测结果投影至图像上.实车实验结果证明,改进的DBSCAN算法在车辆探测应用中具有良好的准确性和实时性.

基于数据取样的DBSCAN算法

聚类是数据挖掘领域中的一个重要研究课题 .聚类技术在许多领域有着广泛的应用 .基于密度的聚类算法DBSCAN是一种有效的空间聚类算法 ,它能够发现任意形状的类并且有效地处理噪声 ,用户只需输入一个参数就可以进行聚类分析 .但是 ,DBSCAN算法在对大规模空间数据库进行聚类分析时需要较大的内存支持和 I/ O消耗 .本文在分析 DBSCAN算法不足的基础上 ,提出一种基于数据取样的 DBSCAN算法 ,使之能够有效地处理大规模空间数据库 .二维空间数据测试结果表明本文算法是可行、有效的 .

一种基于DBSCAN算法改进的稳健AdaBoost回归模型

传统的AdaBoost.R2算法在AdaBoost算法思想的基础上将回归问题转化为二分类问题,取得了较好的估计效果。但该算法对异常点敏感,在迭代过程中会将异常点的权重不断加大,导致模型的稳健性较差。提出一种改进的AdaBoost算法,称为AdaBoost.DBSCAN。首先,通过DBSCAN聚类算法对观测点进行分类;然后,分别针对正常点和异常点,采用不同的权重控制策略进行控制,保证异常点的权重在迭代过程中无法以指数速率增长,同时能较大程度地保存样本信息。模拟和实际应用结果表示,与传统的AdaBoost.R2、AdaBoost.RT算法以及AdaBoost.RS算法相比,该算法具有良好的稳健性,在含有不同比例异常点的数据集中都能够获得较好的表现。

基于数据分区的DBSCAN算法

数据聚类在数据挖掘、模式识别、图像处理和数据压缩等领域有着广泛的应用 .DBSCAN是一种基于密度的空间聚类算法 ,在处理空间数据时具有快速、有效处理噪声点和发现任意形状的聚类等优点 .但由于直接对数据库进行操作 ,在数据量大的时候就需要较多的内存和 I/O开销 ;此外 ,当数据密度和聚类间的距离不均匀时聚类质量较差 .为此 ,在分析 DBSCAN算法不足的基础上 ,提出了一个基于数据分区的 DBSCAN算法 .测试结果表明新算法不仅提高了聚类速度 ,而且改善了聚类质量 .

基于数据分区的并行DBSCAN算法

DBSCAN是基于密度的聚类算法的一个典型代表算法,它对空间数据库聚类有很好的性能.然而,在对大规模数据库聚类时,DBSCAN需要大量内存支持并伴随着I/O开销.随着高性能计算机的发展,特别是集群式计算机出现,给我们提供了一种解决DBSCAN算法缺陷的方法,本文提出一种建立在集群式高性能计算机上基于数据分区并行DBSCAN算法.测试结果表明,它极大地降低了DBSCAN对时间和空间的需要.

改进的快速DBSCAN算法

针对DBSCAN算法时间性能低效的问题,分析快速聚类过程中丢失对象的原因,提出一种新的改进算法IF-DBSCAN。该算法在不丢失对象的基础上,通过选取核心对象邻域中的代表对象来扩展类,从而减少邻域查询次数,提高了算法的时间性能。实验结果表明,IF-DBSCAN算法是正确和高效的。

基于动态近邻的DBSCAN算法

针对DBSCAN算法聚类参数敏感不易获取、参数固定无法适应密度不均匀数据等问题。提出了动态近邻的概念,即聚类参数随密度动态变化。设计了用于调整动态参数的近邻规模演化算法,即通过限制相对密度变化率,逐步调整近邻规模。最后根据动态的近邻规模,重新定义了DBSCAN算法核心对象的概念,并设计了基于动态近邻的DN-DBSCAN算法。仿真结果表明,DN-DBSCAN能够有效识别非凸及密度分布不均匀的数据样本,聚类效果优于传统DBSCAN算法和其他经典改进算法。

核DBSCAN算法在民航客户细分中的应用

针对民航客户行为数据的复杂性,运用数据挖掘中的DBSCAN聚类技术,结合核映射机理,提出一种基于核的DBSCAN算法,用于实现民航客户的细分。实验结果表明,该方法能突出客户之间的行为特征差异,降低聚类结果的混乱性,且其聚类纯度比原DBSCAN算法约提升30%。

基于改进DBSCAN算法的文本聚类

目前多数聚类算法不能很好地适应文本聚类的快速自适应需求。为此,论述DBSCAN算法的基本原理和实现过程,提出一种基于改进DBSCAN算法的文本聚类算法,利用最小二乘法降低文本向量的维度,并创建一种应用于DBSCAN算法的簇关系树结构。实验结果表明,该算法能自适应地进行文本聚类,且与DBSCAN相比,准确率较高。

基于DBSCAN算法处理的无线电干扰和温度相关性分析

目前,国内外对于交直流并行输电线路无线电干扰的特性研究还处于起步阶段。通过分析现有的单独线路无线电干扰测量模式的弊端,建立了基于气象参数与无线电干扰实时同步测量系统,并基于DBSCAN算法对一年的无线电干扰数据进行数据处理和分析。为了分析无线电干扰与温度之间的相关性,选取直流区域、交直流过渡区域和交流区域典型点位数据,按温度分段分析,得到了各个区间段内无线电干扰与温度之间的关系,为后续的交直流并行输电线路无线电干扰分析奠定了基础。