基于密度噪声应用空间聚类算法的机载激光雷达建筑物点云提取与单体化

针对机载激光雷达建筑物点云提取过程中自动化提取困难,以及提取后的建筑物单体化过程烦琐等问题,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)算法的机载雷达建筑物点云提取与单体化的方法。该方法对预处理后的点云数据基于DBSCAN算法进行去噪与初步的提取,通过三维密度聚类,将建筑物的点云进行提取与自动单体化。根据建筑物点云密度的特点,进行二维的密度聚类,结合数字正射影像图(digital orthophoto map,DOM)进行点云分割。最后将处理后的点云数据进行优化处理,并将建筑物单体化簇类进行提取,得到单体化建筑物点云。结果表明:提取的建筑物点云数量正确率为97.36%,轮廓边长的中误差为0.077,可以有效地提取出建筑物点云并将其单体化。

一种基于目标点云分布特性的动态聚类算法

激光雷达在自动驾驶系统的目标检测任务中发挥着重要作用,但其扫描机理会使得点云分布不均匀,常规聚类算法由于参数固定会导致较多的错误聚类。为解决该问题,该文以椭圆形状作为邻域空间,设计基于采样点位置的邻域自适应调整策略,提出一种基于目标点云分布特性的动态聚类算法。通过正确聚类、过聚类等综合结果评估算法的性能,在KITTI数据集上进行了数值分析得到算法参数,并在校园环境中进行了实车对比实验。结果表明:所提算法能减少基于密度的噪声应用空间聚类(DBSCAN)中固定邻域所造成的70.60%过聚类、49.76%欠聚类等错误结果,从而有效提高算法的综合聚类性能。

一种基于密度的空间聚类算法

针对DBSCAN算法I／O开销和内存消耗大的缺陷，提出了基于层次合并的密度算法，基于密度的空间聚类算法可以有效地过滤噪声和孤立点数据，该算法在对于处理较大数据集上具有较大优势。

一种基于大密度区域的模糊聚类算法

针对模糊C-均值(FCM)算法对初始聚类中心和噪声数据敏感的缺陷,提出一种基于大密度区域的模糊聚类算法.该算法首先利用大密度区域以及样本的密度值变化方法,选取初始聚类中心以及候选初始聚类中心,并依据初始聚类中心与候选初始聚类中心的距离,确定初始聚类中心点,从而有效的克服了随机给定初始聚类中心容易使算法收敛到局部极小的缺陷;其次,分别利用密度函数为样本加权和引用改进的隶属度函数进行优化,有效地提高了模糊聚类的抗噪性;最后实验验证了算法在初始聚类中心的确定,聚类效果和抗噪性方面具有良好的效果.

基于密度的空间聚类算法在照明运维中的应用

城市照明数字化综合管理系统应用过程中会产生大量设施维护事件记录,这些数据在类型和空间分布上蕴含大量信息,对这些数据进行分析并加以应用很有必要。对基于密度的空间聚类算法(DBSCAN)进行了研究。介绍了DBSCAN算法的基本概念和原理,将该算法应用于城市照明管理业务数据中,对照明设施维护热点分布进行聚类分析,根据聚类结果为城市照明运维管理区域划分和运维资源规划提供参考依据。

一种基于局部密度的网格排序聚类算法

针对复杂及带噪声的数据集的聚类问题,提出了一种基于局部密度的网格排序策略(GSS-LD),并以其作为网格聚类的组织模式。GSS-LD利用聚类的局部性质进行网格单元排序,将基于网格的聚类问题转换为网格的排序问题,运用相对局部密度变化率的概念,克服了传统网格聚类算法中全局性参数的局限性,使其可以适应多密度数据集的聚类。通过三组具有不同拓扑结构的数据集测试GSS-LD的聚类性能并与其他两种方法进行比较,结果表明GSS-LD可以对复杂数据集进行有效聚类,其时间复杂度分别与数据规模及网格结构具有线性关系,同时具有较强的噪声处理能力。

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。

基于网络化密度聚类的船舶停泊点数据挖掘

为获取船舶停泊行为规律,以大连港、天津港、青岛港、德国罗斯托克港、巴西桑托斯港和荷兰格罗宁根港等全球六大港口水域为例,基于Hive数据仓库和R语言平台,利用网格化DBSCAN算法,提取船舶在各港口水域停泊点位置、面积等信息,进而基于停泊点可视化结果,验证这六大港口实时可视化结果与基于历史数据挖掘结果相符。研究成果有助于保障港口水域船舶安全通航,亦为船舶交通管理系统智能化奠定基础,从而推动港口行业持续、健康发展。

一种含噪音处理的K-means聚类算法

K-means作为经典的聚类算法,对噪音很敏感。在实际应用中,数据通常包含较多噪音,聚类难以得到良好的效果。提出一种含噪音处理的K-means聚类算法。算法将原空间动态地划分成若干个区域,利用对应的区域密度加权计算样本与每个区域质心的相似度矩阵,作为K-means的输入。该矩阵有效描述了数据的分布信息,同时实现了特征的降维,能更有效处理带噪音数据的聚类任务,更适用于数据分布复杂的情况。实验结果证实了此算法的有效性。

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。

一种新的基于密度的自适应取样聚类算法

空间数据聚类是一种很重要的数据挖掘技术,它可以从大量的空间数据中提取到知识,并且有着广泛的用途,空间数据库里的数据分布对聚类结果的影响很大,很少有算法在聚类时考虑到了空间数据的分布.在本文中,提出了一种新的自适应基于密度的取样聚类算法ADBSC(adaptive density-based sampling clustering),它可以根据空间数据的分布,对一个中心点自适应的选取近邻,并对这些近邻点进行取样,扩展,有效提高了聚类分析的准确性和效率.本文结尾部分,时模拟数据进行了一系列的实验,对其和DBSCAN算法做了比较,证明了ADBSC的优越性.

基于DBSCAN二次聚类的配电网负荷缺失数据修补

电力负荷属于具有时间序列特性的数据,依据数据固有的规律性和波动性特征,修补由于各种因素而缺失的负荷数据,可为电力系统研究和实验结果的有效性和可预测性奠定基础。本文首先提出基于密度的含噪声应用空间聚类(DBSCAN)二次聚类的方法;其次,提出针对配电网负荷数据的负荷属性相似度,在此基础上进一步提出负荷记录综合相似度;然后,依据DBSCAN二次聚类方法的负荷类别结果和所得负荷记录综合相似度,匹配相似度最大的数据类别,并依据该类别的记录信息对所缺失数据进行修补;最后,采用算例分析证明所提方法的有效性和正确性。

各向异性权重的模糊C均值聚类图像分割

传统的模糊C均值聚类算法(FCM)在图像分割中未考虑各个点的灰度特征及其邻域像素的关联程度,导致其对于噪声十分敏感.而各种改进算法虽然较好地克服了图像噪声的影响,但由于使用均值滤波等方法导致分割图像边缘模糊.为此,提出一种基于各向异性权重的FCM图像分割方法,通过引入新的邻域窗口权重的计算方法,使得中心点邻域内各点具有各向异性的权重;并使用基于灰度级的快速算法,提出了各向异性权重的模糊C均值聚类算法.实验结果表明,文中方法具有较强的抗噪性,对于噪声具有良好的稳定性,分割精度较高.

基于区域比例的聚类方法

为了改善DBSCAN参数敏感性和对密度分布不均数据对象聚类质量不高的问题,提出了一种基于DBSCAN算法的改进聚类方法。算法使用K最近邻的均值距离度量密度,中心点选取当前密度最大点,并以中心点为核心点扩展种子队列,直至由给定的密度比例因子所决定的密度边缘。为了改善聚类质量,提出了候选核心点,并使用给定的半径比例因子发现核心点。在实验中,利用数据集对该算法进行了测试,测试结果证明了该改进算法的参数鲁棒性,和在聚类密度分布不均数据集时的较好性能。

基于改进DBSCAN算法的变压器不良漏抗参数辨识

PSD-BPA在中国电力系统仿真计算中被广泛应用,但由于其数据格式的特殊性,往往容易出现许多人为原因的数据错误,这给仿真计算结果的准确性与可靠性带来了极大的隐患。首先,在给出变压器不良漏抗参数辨识步骤的基础上,结合PSD-BPA潮流数据中变压器参数数据的特点,提出了考虑特征相似度的具有噪声的基于密度的聚类(DBSCAN)改进算法。其次,基于各类参数向量簇的各属性最大相似系数,计算获得各类参数向量簇的典型特征向量。然后,基于各类的典型特征向量,针对聚类结果中的噪声簇,提出了基于离群系数的可疑不良数据分布模型;在此基础上,结合分布规律,提出了基于可疑度的不良参数判别方法。最后,通过实际算例验证了所述模型与方法的有效性。

S-DBSCAN：一种基于DBSCAN发现高密度簇的算法

针对基于密度的带有噪声的空间聚类（DBSCAN）算法用于交互式数据挖掘时用户经常调整算法参数以发现感兴趣的知识以及数据集相对稳定的特点，提出了一种基于DBSCAN发现高密度簇的算法—S-DBSCAN算法，确定了需调整的算法参数——对象的邻域范围8（Eps）和满足核心对象条件的￡邻域内最小对象个数MinPts，阐述了参数8与MinPts的3种适合S-DBSCAN算法的变化情况，并给出了相应的证明，同时分析了算法的时间复杂度。在对真实和合成数据集的测试中，S-DBSCAN算法相比DBSCAN算法具有较好的效率。

使用DBSCAN的FCM神经网络分类器

针对浮动质心法(FCM)在实现过程采用的K-means算法不易发现任意形状簇及对离群点敏感等缺陷,提出使用具有噪声的基于密度的聚类算法(DBSCAN)改进FCM神经网络分类器的方法.DBSCAN将离群点看作无法处理的点,并能发现任意形状的簇,将分区空间中的染色点划分成若干个更准确的分区.此外,定义优化目标函数,并用粒子群优化算法优化神经网络的各个参数,获得最优的分类模型.在UCI数据库上的对比实验表明,改进后的FCM方法在分类精度、鲁棒性和运行时间方面均优于原有FCM.

基于DBSCAN-3σ的雷达去噪算法研究

为了解决雷达探测数据中噪点过多的问题,提出了结合基于密度的噪声聚类算法(DBSCAN)和拉依达准则(3σ)的去噪方法。以雷达实际测量的目标运动信息为实验数据,运用DBSCAN算法进行聚类,剔除数据中的离群噪点,再通过拉依达准则去除影响较大的奇异值。实验结果表明,去噪之后雷达测距的线性误差由12 mm减少到0.36 mm,性能优于经典的半径滤波算法,可为实际雷达测量提供参考。

考虑多维特征的船舶轨迹分层聚类算法

为准确聚类复杂的船舶轨迹和辨识隐蔽轨迹簇,提出一种考虑多维特征的船舶轨迹分层聚类算法。用核心萤火虫算法(core firefly algorithm,CFA)解决具有噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的邻域查询冗余和参数敏感问题,并在传统船舶轨迹聚类特征的基础上引入水域环境、轨迹线型和时隙特征来分层建立轨迹相似性度量指标,最终实现轨迹的逐层递进聚类。以厦门港及其附近水域的AIS数据验证算法的有效性,检验结果表明:船舶轨迹由算法聚类为9簇;簇内动态时间规整(dynamic time warping,DTW)距离均值为5.199,簇间DTW距离均值为18.032;聚类结果符合实际的船舶交通流情况,聚类准确率为91.50%。可见,提出的算法相比其他常用的轨迹聚类算法能更有效地辨识轨迹地理分布和船舶运动特征的异同,更容易发现隐蔽的轨迹簇。由提出的算法聚类的同簇轨迹,其船舶运动特性更相似,聚类结果可为船舶交通流特性分析及船舶行为模式识别等提供典型的轨迹样本。

多空间尺度融合的出行轨迹规律分析

多源时空轨迹数据隐含丰富的城市出行信息,通过对其进行挖掘、处理和分析,可以找到个体与群体之间的交互关系。针对轨迹数据挖掘研究范围单一,缺少多空间尺度研究的问题,提出一种融合多空间尺度特征的出行轨迹数据挖掘分析方法。以广东为例,结合社交媒体腾讯用户密度(Tencent user density,TUD)数据集,通过具有噪声的基于密度的聚类方法(density-based spatial clustering of applications with noise,DBSCAN)聚类算法与局部密度峰值计算法提取时空相似性轨迹区域,进而簇类分成一系列热点区域,获得不同时间粒度、不同空间尺度下的出行轨迹规律特征。这能够实现在不同空间尺度融合下展示同一地区的热点区域,进一步探讨出行轨迹的规律变化。可见所提出的方法为利用时空大数据进行城市空间结构研究提供科学参考。