邻域平衡密度聚类算法

聚类是数据挖掘领域的一项重要分析手段.在分析核心对象与其邻域对象的分布特征后,引入对象的投影点,对象的邻域平衡、平衡核心对象、边界稀疏对象等概念.提出一种新的基于密度的聚类算法bDBSCAN(balance-DBSCAN).算法将核心对象邻域中的对象投影,进行向量单位化,考察核心对象的邻域平衡性,将与平衡核心对象平衡密度可达的对象聚成一个簇.理论分析和实验结果表明,算法可以处理任意形状的簇,有效地排除边界稀疏对象这类噪声,并且可以解决高维数据聚类边界区分不明显、噪声对象多等问题,提高了聚类精度.算法的时间复杂度与DBSCAN近似.

基于密度的计算机兵棋推演数据快速聚类算法

针对计算机兵棋推演数据的特点,提出了一种基于密度的快速聚类算法—基于密度的快速空间聚类算法(quick density based spatial clustering of applications with noise,QDBSCAN),目的是通过聚类检测孤立点,快速定位地面部队兵力部署上的缺陷。QDBSCAN算法在基于密度的空间聚类算法(density based spatial cluste-ring of applications with noise,DBSCAN)算法的基础上做了相关改进:在邻近度度量上提出了最短可行路径的概念,使聚类更符合计算机兵棋的规则;动态设置密度参数;采用提出的代表对象选择方法来减少对对象邻域的判断次数;按区域对数据进行分组以缩小聚类规模。实验表明,QDBSCAN算法的性能在数据规模较大的情况下,明显优于DBSCAN算法。

一种基于密度的分布式聚类算法

对基于密度的分布式聚类算法DBDC(density based distributed clustering)进行改进,提出了一种基于密度的分布式聚类算法DBDC*.该算法在局部筛选代表点时结合贝叶斯信息准则BIC,得到少量精准反映局部站点数据分布的BIC核心点,有效降低了分布式聚类过程中的数据通信量,全局聚类时综合考虑了各站点数据的分布情况.实验结果表明,算法DBDC*的效率优于DBDC,聚类效果好.

基于视觉原理的密度聚类算法

在模式识别、图像处理、聚类分析等领域,人的眼睛具有快速有效地组织并发现物体内部结构的自然能力,本文就是在模拟人类视觉系统这一功能的基础上,结合基于密度的聚类方法提出了一种新的聚类算法,该算法具有对初始化参数不敏感、能发现任意形状的聚类及能找到最优聚类等优点。

数据挖掘中聚类算法比较及在武警网络中的应用研究

聚类算法是数据挖掘的核心技术,根据评价聚类算法优劣的几个标准,对数据挖掘中常用聚类算法做了比较分析,根据各自特点,加以改进,并应用于武警部队数据挖掘项目中。通过运用改进型K-means算法,取得了较好的挖掘结果,为进一步信息的智能化检索、信息的过滤、分拣提供依据。

基于搜索结果的聚类算法

当前的搜索引擎中,存在大量的冗余搜索结果,且不能对搜索结果进行指导分类。本文提出一种基于密度的聚类算法,能够有效地对搜索结果进行聚类优化和分类。该算法选取搜索结果中权重高于一定值的网页,提取网页的特征值与候选关键字,标注特征范围,再进行网页相似度比较,最大限度地消除冗余网页,并根据网页的候选关键字提供分类,从而提高搜索结果的精准性和满意度,达到更智能的效果。

基于聚类分析的桥梁节段模型风洞试验涡激振动研究

涡激振动已经成为威胁桥梁结构安全、行人舒适度和结构耐久性的重要风险因素之一。节段模型风洞试验是检验大跨度桥梁涡振的重要方法,但提取和分析涡振数据一般依赖于经验,缺乏准确高效的手段。针对闭口钢箱梁悬索桥节段模型风洞试验数据,引入了含噪声的基于密度的空间聚类分析方法,在提取位移标准差和单频程度这两个特征值的基础上,将竖弯和扭转涡振工况从三个攻角的全部试验工况中识别出来。通过风速-振幅关系和涡振工况的时程与频谱特征,进一步验证了涡振工况提取和分析的准确性,证实了涡振具有大振幅和强单频的特点。

传统谱聚类算法概述

谱聚类算法是聚类分析的一个重要分支,是模式识别、机器学习、数据挖掘等学科领域的重要研究内容之一。谱聚类是一种根据谱图分析理论对相似度矩阵进行划分的聚类算法。该文对图谱和谱分解、传统谱聚类算法、基于密度聚类算法和评价指标Rand Index等内容进行概述。

结合SLIC超像素和DBSCAN聚类的眼底图像硬性渗出检测方法

为自动检测出眼底图像中的硬性渗出,结合简单线性迭代聚类(SLIC)超像素分割算法和基于密度的聚类算法(DBSCAN),提出一种对眼底图像硬性渗出的检测方法.首先,采用SLIC超像素分割算法对彩色眼底图像进行过分割;然后,采用DBSCAN对上述分割得到的超像素进行聚类,形成簇;最后,分割出目标图像,并选用标准糖尿病视网膜病变数据库(DIARETDB0和DIARETDB1)的眼底图像验证上述组合算法的可行性.实验结果表明:算法能够快速、可靠地检测出眼底图像中的硬性渗出,具有可直接对彩色图像进行分割、特征提取的特点.

改进的基于距离的关联规则聚类

关联规则挖掘会产生大量的规则,为了从这些规则中识别出有用的信息,需要对规则进行有效的分类组织。现有的规则聚类方法往往直接计算规则间的距离,忽略了项与项之间的联系,不能精确得出规则间的距离。提出一种改进的规则间距离的度量方法,首先计算项间的距离,其次计算相集间的距离和规则间的距离,最后基于此距离利用DBSCAN算法对关联规则进行聚类。实验结果表明,此方法是有效可行的,并能准确发现孤立规则。

基于MapReduce与优化布谷鸟算法的并行密度聚类算法

针对并行化密度聚类的过程中,不同密度聚类簇边界点划分模糊,并且存在数据噪声,从而影响聚类性能,使聚类结果受制于局部最优影响的问题,提出一种基于MapReduce与优化布谷鸟算法的并行密度聚类算法。首先,该算法结合K-means中的近邻与逆近邻思路的策略KDBSCAN(K-means DBSCAN),通过计算各数据点的影响空间,以此重新定义基于密度的聚类(Density-based spatial dutering of apptications with noise,DBSCAN)算法中聚类簇的拓展条件,避免了不同密度聚类簇边界点划分模糊的问题;其次,结合KDBSCAN密度聚类中的近邻思想提出了一种可行的迭代性噪声点处理策略,减轻数据中噪声点对于聚类算法性能的影响;再次,提出基于传统布谷鸟算法的优化改进策略MCS(Majorization cuckoo search),通过衰减发现巢穴概率的权重,随着迭代搜寻次数的增加提升算法收敛速度,解决了聚类结果受制于局部最优的问题;最后,结合MapReduce提出了并行密度聚类策略MCS-KDBSCAN,通过并行化密度聚类算法运算,减轻了并行聚类算法局部最优解传递的通信负担,提升了算法性能。实验证明,提出的MCS-KDBSCAN并行化密度聚类算法在聚类精度、聚类运行时间等方面均较优。

改进DBSCAN算法下的轨迹点到充电站位置的探测方法

在当前新能源汽车快速发展的背景下,针对相关充电设施位置信息更新缓慢等问题,如何通过第三方数据得到工作状态正常的充电站点分布具有重要意义。本文分析了新能源汽车充电停留轨迹数据的典型特征,并基于这些特征构建了时空关联静动(Stop/Move)模型。利用新能源汽车轨迹数据作为数据源,采用具有噪声的基于密度的聚类(DBSCAN)算法来检测满足充电停留点的点簇,并进一步探测充电站的位置。同时,针对DBSCAN算法具有高时间复杂度的问题,通过构建K维空间树(KD树)数据结构提高了算法执行效率;针对不同参数会影响DBSCAN算法聚类结果的问题,运用邻域参数自适应优化方法提升了轨迹点的聚类效果。利用深圳市的新能源车轨迹数据进行实验分析,结果表明,相比原始DBSCAN算法和k均值聚类(K-MEANS)算法,改进DBSCAN算法提高了算法执行效率,对真实充电站点探测成功率较高。

基于聚类和时序相关的重点雷达信号快速识别

针对传统雷达信号识别方法对重点目标识别的针对性、时效性不强的问题,提出一种基于聚类和时序相关的重点雷达信号实时识别方法。首先,依据具有噪声的基于密度的聚类(density-based spatial clustering of application with noise,DBSCAN)算法对侦获信号的脉冲描述字进行分选;而后,利用分选所得脉冲的时序特征与重点目标信号脉冲重复间隔(pulse repetition interval,PRI)生成仿真信号;最后,计算仿真信号的互相关函数,基于相关度判断PRI参数是否匹配。仿真实验表明:所提方法明显提升了对重点目标信号的识别时效,能够应对存在噪声干扰和信号交叠的复杂信号环境,对局部脉冲参数丢失不敏感。

基于SURF的高密度人群计数方法

为了解决在高密度人流或视场开阔环境下人群计数准确率低的问题,提出一种基于SURF的高密度人群计数方法.首先采用最小生成树改进了传统的基于密度的聚类算法,使其最小搜索域自适应聚类数据的分布;在此基础上实现运动人群的SURF特征点分类,并以此构建运动人群的特征向量,用支持向量回归机实现了对高密度人群的数量统计.实验结果表明,该方法对高密度人群的计数有较高的准确率和鲁棒性.

DBSCAN算法中参数的自适应确定

DBSCAN算法需要人为确定Eps和min Pts两个参数,导致聚类结果的准确度直接取决于用户对参数的选择,因此提出一种新的参数确定方法,采用非参数核密度估计理论分析数据样本的分布特征来自动确定Eps和min Pts参数,避免了聚类过程的人工干预,实现聚类过程的自动化。理论分析和实验结果表明,该方法能够选择合理的Eps和min Pts参数,并得到了较高准确度的聚类结果。

一种基于k-均值的DBSCAN算法参数动态选择方法

为解决DBSCAN聚类算法的Eps及MinPts参数选择问题,提出一种领域无关的参数动态选择方法。首先,基于k-均值算法对数据集进行初步聚类,聚类中采用最大最小距离方法确定初始聚类中心。其次,针对k-均值聚类结果,计算统计各聚类中样本间距离的分布情况,选择使得具有最大样本对数的距离值作为对应类的Eps值,并通过Eps获得MinPts值。最后,对DBSCAN算法进行改进,使其可根据当前核心点所属k-均值聚类对应的Eps对其运行值进行自适应调整。将上述思想运用于未知协议条件下的比特流聚类分析,结果表明,在无需用户指定Eps及MinPts的条件下,即可获得满意的聚类结果,提高了算法的适用性和准确率。

基于DBSCAN算法的改进确定-随机子空间模态参数识别算法

桥梁结构的模态参数识别作为桥梁健康检测系统中的主要环节之一,参数识别的精确程度直接影响着桥梁健康评估的准确程度。因此,针对现阶段被广泛运用的确定-随机子空间算法(combined determine-stochastic subspace identification,CDSI)存在的不足,需人工参与稳定图中模态的辨识,提出了将基于密度的聚类算法(density-based spatial clustering of application with noise,DBSCAN)嵌入到该识别算法中,以提高模态参数识别的效率。首先简单介绍了CDSI识别算法和DBSCAN聚类的相关原理及定义,其次详细介绍了如何将DBSCAN聚类算法有效地嵌入到CDSI算法中,以实现对稳定图中模态的智能化辨识;最后以某大型斜拉桥为识别对象,并将识别结果与MIDAS有限元软件所得结果作对比,结果表明,所提改进CDSI识别算法能够精确地识别出桥梁结构的固有频率值,且所得模态振型图与理论振型图具有很好的相似性。

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.

改进的DBSCAN聚类算法在云任务调度中的应用

针对云计算环境中任务调度中存在的执行效率低的问题,提出了一种基于改进的基于密度的聚类算法(DBSCAN)的云任务调度策略.首先使用改进的基于密度的聚类算法DBSCAN对云任务进行聚类,然后与已经分类的资源进行匹配,解决资源与任务匹配程度低的问题.实验结果表明,对任务进行聚类后进行任务调度,任务在终端上的平均执行时间减少了大约35.2%,任务的调度时间也有了明显减少.

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。