基于代表点与K近邻的密度峰值聚类算法

密度峰值聚类(density peaks clustering,DPC)是一种基于密度的聚类算法,该算法可以直观地确定类簇数量,识别任意形状的类簇,并且自动检测、排除异常点.然而,DPC仍存在些许不足:一方面,DPC算法仅考虑全局分布,在类簇密度差距较大的数据集聚类效果较差;另一方面,DPC中点的分配策略容易导致“多米诺效应”.为此,基于代表点(representative points)与K近邻(K-nearest neighbors,KNN)提出了RKNN-DPC算法.首先,构造了K近邻密度,再引入代表点刻画样本的全局分布,提出了新的局部密度;然后,利用样本的K近邻信息,提出一种加权的K近邻分配策略以缓解“多米诺效应”;最后,在人工数据集和真实数据集上与5种聚类算法进行了对比实验,实验结果表明,所提出的RKNN-DPC可以更准确地识别类簇中心并且获得更好的聚类结果.

餐厨垃圾废水处理工艺及工程实践

随着我国社会经济的迅速发展,人们消费水平和生活水平的日益提高,餐饮行业发展也异常迅速,随之而来的餐厨垃圾的产生量也急剧增加。大量餐厨垃圾若得不到及时处理,不但严重污染环境,还对城市居民的健康构成严重威胁。本文依据餐厨垃圾废水的特点,针对性的选取了组合处理工艺,结合工程实例,有效的对餐厨垃圾进行资源化、减量化和无害化处理。