基于改进DBSCAN空间聚类算法的北京市人工智能产业集聚格局研究

企业作为产业的重要主体,其发展直接表征着产业的发展,企业的空间格局对产业的发展及资源配置具有重要的引导意义。本文基于北京市工商注册在业的人工智能企业数据,提取企业注册地址并转化为地理位置信息,通过改进有噪声的应用背景下的基于密度的空间聚类算法(DBSCAN),分析北京市细粒度层级下人工智能产业集聚在全市域的空间分布格局特征。在DBSCAN算法改进方面,首先调整Minpts参数为企业注册资本总额与企业数量2个维度,企业数量大于5家且注册资本总额大于一定数额,为形成产业集聚区的2个必要条件;其次提取簇内位于边界的企业位置点作为集聚区地理边界点,将边界点连线并绘制形成人工智能产业集聚区。本文重点分析了企业注册资本和地理聚合半径对人工智能产业集聚区形成的影响,同时采用核密度估计法作为参照验证,表明改进DBSCAN方法具有精确刻画产业集聚区地理边界和确定不同规模产业集聚区的优势。通过分析得知,北京市人工智能产业集聚具有明显的中心分布特征,集中在城六区,呈现“两大龙头带动,北京市全域遍地开花”的分布情况,海淀区、朝阳区处于人工智能集聚程度高水平,相较其他区域,人工智能产业发展遥遥领先;西城区、东城区、丰台区、昌平区处于集聚程度较高水平;通州区、大兴区、平谷区、密云区、石景山区、房山区、门头沟区、怀柔区、顺义区处于集聚程度中等水平;延庆区集聚程度较低。通过改进DBSCAN算法精确定位出中关村区域、上地西二旗区域、五道口区域、望京区域、国贸区域、亦庄经开区等人工智能产业集聚区。进一步探究发现,海淀区的人工智能科研人才优势,朝阳区的信息技术领域企业基础,是两区人工智能发展突出的直接原因。延庆区等郊区远离北京市中心城区,产业资源匮乏,同时由于区域功能定位限制等原因,导致人工智能产业集聚水平较低,表明这些区域人工智能产业发展较为缓慢。

基于DFD-DBSCAN的高速列车电池组多故障诊断方法

高速列车电池作为备用电源,被广泛应用于辅助供电系统以维持高速列车控制系统的正常运转,其可靠性涉及行车安全。列车频繁起停、频繁加减速以及震动等多种复杂运行环境易导致电池单体故障和连接故障。为了保证高速列车的安全运行,高速列车电池组的状态检测与多故障诊断研究备受关注。目前,针对高速列车电池组的多故障诊断方法的研究尚属空白,提出一种基于改进离散弗雷歇距离(Discrete Fréchet Distance, DFD)和自适应密度聚类(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)的高速列车电池组的实时多故障诊断方法,以准确识别电池组的连接故障和单体故障。以高速列车电池作为研究对象,通过设计适用于高速列车电池组的电压交叉测量方法,使得电池电压和连接板电压与不同的电压传感器相关联,并通过DFD算法对电池组的故障特征进行提取,将电压偏移率与DFD共同作为故障诊断模型的参数输入以提高算法的鲁棒性与可靠性,接着引入DBSCAN算法自动对故障诊断并定位。为了保证算法的实时性,利用基于滑动窗口的遗忘机制实时地对采样数据进行诊断。通过实验对所提出的方法进行验证,结果表明该方法可及时有效地诊断电池组的单体故障与连接故障并准确定位,弥补了高速列车电池组多故障诊断方法研究的缺失,对提高轨道列车的行车安全具有工程实用意义。

内河航道事故黑点识别自适应参数DBSCAN聚类算法研究

内河水上交通事故时有发生,对水路运输安全、高效发展带来威胁。研究提出一种基于自适应参数的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法,用于识别内河事故黑点水域。该方法支持对邻域半径ε和邻域中数据对象数目阈值P_(min)参数的自动选取,可提高聚类分析的精度和效率。基于2010—2019年长江干线下游散货船舶事故数据开展案例研究,对各典型事故黑点段的事故特征和事故原因进行分析,得到8个事故黑点。此外,采用Getis-Ord General G聚类识别事故黑点中的高等级事故区域,得到事故黑点及高等级事故主要分布于江心洲、桥区、港口码头区域。研究结果与实际情况基本吻合,一定程度上表明了该方法在内河水上交通事故分布特征分析上的科学性和实用性。

基于QM-DBSCAN与BiLSTM的风电机组异常工况预警研究

提出一种基于四分位(QM)-具有噪声的基于密度聚类法(DBSCAN)与双向长短期记忆网络(BiLSTM)的风电机组故障预警方法。首先,针对风速-功率图中限功率点难以清洗完全的问题,提出利用QM与DBSCAN联合来对建模运行数据进行预处理;其次,通过分析风电机组运行原理,并结合轻量梯度提升机(LightGBM)特征选择法确定风电机组正常工况预测模型的输入输出参数,并基于BiLSTM建立了高精度的风电机组正常性能预测模型;之后,利用滑窗算法构建了风电机组状态性能评价指标,并通过统计学区间估计法确定指标阈值;最后,采用风电机组真实故障数据,开展风电机组异常工况预警实验,验证了方法的有效性。

基于改进DBSCAN的船舶会遇识别模型

为解决大数据下船舶会遇识别算法效率不高且存在误判等问题,提出一种融合国际海上避碰规则(International Regulations for Preventing Collisions at Sea,COLREGs)的带噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法,建立船舶会遇识别模型。在DBSCAN算法对邻域内的船舶数量进行统计时,计算船舶间的最近会遇距离(distance to closest point of approach,DCPA)和最近会遇时间(time to closest point of approach,TCPA),初步筛选邻域内的噪声点;基于模糊综合评价模型计算船舶会遇风险,对邻域内的船舶进行二次筛选,实现船舶会遇态势的提取。结果表明:改进后的DBSCAN算法过滤掉传统DBSCAN算法识别到的非会遇局面,并且在同一会遇局面下的船舶数量均保持在4艘以内;输出的会遇船舶风险演变趋势对实际水域内高风险船舶的监控适用性较好,能有效辅助船舶避碰。所提识别模型对保障航行安全和提高海事监管效率具有重要意义。

基于航迹数据的改进DBSCAN聚类算法研究

为研究模拟训练航迹数据聚类,针对基于密度的噪声应用空间聚类(DBSCAN)算法参数选取不精准、聚类准确度不高的问题,提出一种改进的DBSCAN聚类算法.首先,通过KNN算法计算邻域半径并得到用于DBSCAN聚类的初始化核心数据对象,实现粗聚类;其次,根据数据对象的特点,加入航向特征进行二次聚类,既解决了DBSCAN算法随机初始化核心点和参数选取难的问题,又加入能够反映数据方向的特征;最后,进行了仿真实验.实验结果表明,改进DBSCAN算法比传统DBSCAN算法具有更好的聚类效果.

基于DBSCAN聚类和区间回归的多谐波责任划分

在背景谐波阻抗变化和背景谐波电压波动的情况下,传统谐波责任划分方法难以适用于现有的统计型谐波监测数据,提出一种背景谐波变化下基于监测数据的多谐波责任划分方法。首先,构建谐波监测数据区间样本集,并建立背景谐波变化下的多谐波源区间谐波责任划分数学模型;其次,利用基于密度的聚类算法(DBSCAN)将采集到的统计型谐波数据集以簇为评价周期进行场景划分,并采用滑窗动态相关性分析方法筛选出满足线性关系阈值要求的数据;最后,利用基于参数化回归算法(PM)的区间线性进行方程参数计算并获取最佳样本划分方案,在构造的区间谐波责任划分基础上计算中长期时间范畴的谐波责任。利用实际电网中的谐波监测数据对所提方法进行验证,验证了该方法能利用现有的统计型谐波监测数据在背景谐波变化的情况下对每个谐波源进行合理时间尺度的谐波责任划分,可为实际电力系统运行过程中的多谐波责任划分提供一种新的思路。

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-RF洪水分类的洪水预报应用研究

【目的】洪水分类预报能有效提高洪水预报准确性,为防灾减灾工作提供科学依据。【方法】针对分类因子和分类算法优选问题,以海河流域徒骇河宫家闸上游为例进行研究,(1)充分考虑产汇流影响因素与洪水特征,选取洪峰流量、洪水总量、时段洪量、洪水历时、起历时、落历时、峰度、偏度、涨水仰角、落水仰角、C_(s)、C_(v)、前3 d面雨量、前10 d面雨量、累计面雨量及最大面雨量等16维分类因子,使用主成分投影法(Principal Component Analysis,PCA)对分类因子降维提高计算效率;(2)基于密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)-随机森林(Random Forest,RF)算法进行洪水分类,减少对分类先验知识的依赖,提高了分类精度;(3)在徒骇河流域进行了方法应用,选择适用于半干旱半湿润地区的超渗-蓄满同时作用的产流模型及单位线汇流模型进行洪水分类预报研究,分别针对各类洪水进行模型率定。【结果】结果表明:轮廓系数为0.7015,表明DBSCAN算法聚类效果理想,基于RF算法的洪水分类准确率为91.67%,分类效果理想;经洪水分类预报,NSE系数均高于0.8,分类预报结果优于直接预报。【结论】结果说明:基于DBSCAN-RF洪水分类的洪水预报能较好地反映研究区域洪水演进过程,为研究区域洪水预报及防灾减灾工作提供依据。

基于DBSCAN的大坝安全监测异常数据检测算法

为有效识别出安全监测数据中的异常值,考虑环境因素对观测值的影响,提出了一种基于DBSCAN聚类算法的大坝安全监测异常数据检测算法,通过引入数学回归模型获取残差序列,再结合DBSCAN算法对残差序列进行分析,并对大坝安全监测中常见的周期性、趋势性和不规则性数据进行异常检测试验。试验结果表明,该算法对各类异常添加模式下的试验数据查准率、查全率、准确率均达到0.99以上,相比于传统方法具有更好的适用性和鲁棒性。

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。

一种基于DBSCAN+LAR的风电场数据清洗方法

针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据,然后基于LAR方法构建堆积型异常数据识别模型,分别实现对风电场分散型异常数据和堆积型异常数据的清洗,最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明,基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。

基于DBSCAN算法的树木分割与应用

为快速准确地提取地面三维激光扫描仪获取林分点云中的单株树木点云,提出一种基于密度的抗噪空间聚类(Density-Based Spatial Clustering of Application with Noise,DBSCAN)的树木分割算法。首先采用高斯滤波对林分点云去噪,在林分点云归一化的基础上对林分点云垂直分段,然后采用DBSCAN算法垂直分段聚类,再计算每个垂直分段中每个簇的中心点,根据簇中心点间的距离判定簇间的相邻关系,并由此匹配树干段点云,最后采用RANSAC(Random Sample Consensus)算法对树干段点云拟合直线,并根据点与拟合直线间的距离判定点的归属以实现树木分割。在郁闭度分别为中与高的林分中,所提算法的调和值F范围分别为0.88~0.99与0.72~0.74,基于距离判别的树木分割算法的F范围分别为0.84~0.90与0.73~0.79。所提算法在不同郁闭度的林分点云中均能有效分割单株树木点云,特别是在郁闭度为中的林分中有较好表现,可实现对林分点云的精确树木分割。

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。

融合改进DBSCAN聚类和多种进化策略的改进蝗虫优化算法

针对蝗虫优化算法复杂高维问题收敛精度不高、寻优能力不强、难以跳出局部最优的缺陷,提出一种融合改进DBSCAN聚类和多种进化策略的改进蝗虫优化算法(GOA)。首先,引入多核加权距离度量和动态并行运算策略,以提高改进DBSCAN高维数据聚类效率。其次,利用改进DBSCAN可以对任意形状数据集进行聚类的优势,对蝗虫种群进行聚类分析,并为蝗虫个体赋予核心点、边界点和孤立点等空间属性。最后,综合考虑种群空间特性和个体间进化程度差异性,设计多种蝗虫个体进化策略,以更好地提升算法全局寻优能力。典型复杂、高维测试函数以及经典TSP问题仿真结果表明:改进后的GOA在收敛精度上更具优势。

基于IPSO-DBSCAN的抽水蓄能机组状态监测数据异常检测方法

抽水蓄能机组状态监测数据受采集设备故障、通信设备异常等因素影响,数据集中存在部分异常数据,对后续机组健康状态评估及预测造成不利影响。为此,提出了一种基于改进粒子群优化算法和DBSCAN密度聚类算法的机组异常数据检测模型,模型针对粒子群算法易陷入局部最优解的问题对算法进行改进,之后引入轮廓系数作为适应度函数对DBSCAN的参数进行寻优,最后以相关系数评价异常值剔除的效果。对国内某抽水蓄能机组2020年2月初~3月末实测导叶开度、有功功率及下机架振动数据的实例分析结果表明,所提方法能够有效检测出机组振动监测异常数据,剔除异常值后的数据相关系数得到提高,可为后续机组健康状态评估与预测奠定数据基础。

改进的DBSCAN算法在室内多扩展目标跟踪中的研究

基于密度聚类(DBSCAN)的算法由于不需要提前确定聚类的簇数目且具有抗噪声等特点,被广泛用于雷达多目标跟踪中。针对雷达获取室内目标的量测数据量增大、杂波分布密集导致目标跟踪系统复杂度增加、耗时严重的情况,提出一种改进的方法。该方法通过构建KD树来加速DBSCAN算法中邻域点的查找过程,极大地提高了运算效率,改善了目标跟踪系统的实时性。并且运用Murty算法和无迹卡尔曼滤波算法(UKF)来提高传统多目标跟踪系统的跟踪效率和精度。通过仿真实验将传统DBSCAN算法与K-means算法以及改进的算法相比较,实验结果表明在保证室内多目标跟踪系统的跟踪精度的同时,改进算法极大地提高了跟踪系统的实时性。

基于改进DBSCAN的星载激光雷达数据多尺度滤波研究

星载激光雷达数据滤波过程易受复杂背景、粗差点、噪声点等问题的干扰,导致滤波效果大幅度下降,所以研究基于改进DBSCAN的星载激光雷达数据多尺度滤波方法。采用改进DBSCAN算法对星载激光雷达数据做聚类处理,并标记噪声点,通过半球形邻域算法提取点云数据特征。根据提取到的点云数据特征构建规则格网,通过格网的多路径效应剔除点云数据中的粗差点与噪声点,完成星载激光雷达数据多尺度滤波。实验结果表明,所提方法的星载激光雷达数据多尺度滤波误差较低、滤波效果好,实际应用价值较高。

基于主成分分析的DBSCAN分类差分进化算法改进

差分进化算法(DE)是一类基于种群搜索最优解的全局优化算法,具有收敛速度快、算法简单易懂、参数数量少和稳定性高等特点。但DE算法的性能在很大程度上取决于参数值的设置、个体突变的方向和距离。考虑到不同的种群密度对参数的需求不同,采用主成分分析技术将30或50维的数据降到2维;再采用DBSCAN算法,依据邻域半径和最小邻域数将2维数据分类为簇,通过簇的数量判断种群整体密度和个体之间的差异度,并在不同取值范围内生成合适的变异因子和交叉因子,以此来满足不同种群的进化需求。通过基准函数测试集和多个检验方法验证,证明了所提方法的寻优能力和鲁棒性均优于另外5种先进算法。