一种优化的基于网格的聚类算法

聚类是数据挖掘领域中一个重要的研究课题.与其它算法相比,基于网格的聚类算法可以高效处理低维的海量数据.然而,由于划分的单元数与数据的维数呈指数增长,因此对于维数较高的数据集,生成的单元数过多,导致算法的效率较低.本文基于CD-Tree设计了新的基于网格的聚类算法,该算法的效率远高于传统的基于网格聚类算法的效率.此外,本文设计了一种剪枝优化策略,以提高算法的效率.实验表明,与传统的聚类算法相比,基于CD-Tree的聚类算法在数据集的大小及维度的可伸缩性方面均有显著提高.

基于网格和密度的簇边缘精度增强聚类算法

现有的基于网格聚类算法在付出较小的时间复杂度的同时,牺牲了聚类的质量,得到的往往并不是最理想的聚类结果,尤其是在簇边缘可能出现数据点聚类不准现象。提出了一种将网格化空间中位于簇边缘的网格进行精度进一步细化处理的算法,将这些边缘网格中的这些不确定的点重新恢复它们的固有信息,再利用相似度函数将它们分配到合适的簇中。在空间数据集上实验数据表明,这种簇边缘精度增强聚类算法可在O(n)时间内得到优于CLIQUE算法的聚类结果。

基于网格的共享近邻聚类算法

提出了一种基于网格的共享近邻聚类算法(Grid-based shared NearestNeighbor algorithm,GNN)。该算法主要利用网格技术去除数据集中的部分孤立点或噪声,使用密度阈值处理技术来处理网格的密度阈值,使用中心点技术提高聚类效率。GNN算法仅对数据集进行一遍扫描,且能处理任意形状和大小的聚类。实验表明,GNN有较好的可扩展性,其精度和效率明显地好于共享近邻SNN算法。

基于网格的先进分布式仿真综述

当前的先进分布式仿真技术部分解决了模型的互操作和重用问题,但是它在支持强健的系统性能、仿真资源管理和仿真活动协作方面存在缺陷。网格技术支持动态异构环境、资源的优化管理和强健的系统性能,将网格技术应用于先进分布式仿真领域能够弥补现有先进分布式仿真技术存在的这些缺陷。该文提出了基于网格的先进分布式仿真,从仿真系统性能增强、仿真资源管理、仿真技术集成与机构协作、以及仿真网格四个方面综述了相关的研究成果,在仿真资源管理中提出了一种仿真资源分类方法,接着概述了基于网格的先进分布式仿真技术在国防军事、工业、生物医学和环境等方面的应用现状,最后展望了发展方向。

基于网格分布的三角形内点测试定位算法

无线传感器网络作为一种全新的信息获取和处理技术,可以在广泛的应用领域内实现复杂的大规模监测和跟踪任务,而节点自身定位是大多数应用的基础。结合近似三角形内点测试算法APIT和网格的思想,提出一种基于网格分布的三角形内点测试定位算法。仿真结果表明,相比于APIT,该算法具有更高的定位精度和节点定位覆盖度。

一种基于网格服务的信息系统框架

提出了基于网格服务的信息系统框架,探讨了框架的形成和发展,指出基于网格服务信息 系统的特点和实现的关键技术。此框架使传统的信息系统开发过程分化为应用服务开发和集成过程,简 化并优化了系统的实施,使系统具有更强的易维护性、稳定性、可靠性和适应性。此框架使应用服务提 供商和集成商分化出来,分工更细,专业化和社会化程度更高,符合社会发展的总趋势。框架实现了多 个网格的集成,提出了多种相关技术在网格计算中的研究需求和方向。

一种新的基于网格压缩的聚类算法SGRIDS研究

引入了一种新的基于网格的数据压缩方法,并应用该方法对处理大型空间数据集的聚类算法SGR IDS进行研究。该方法考虑输入参数对聚类算法质量有较大影响,对密度阈值的确定进行了改进,从而减小输入参数的影响。实验证明,该方法能够获得较好的聚类效果。

一种基于网格聚类的多密度处理方法

传统的基于网格的聚类方法由于定义了全局变量来判断一个单元格是否是密集单元,很难有效地处理密度差别较大的数据集,从而会丢失一些有兴趣的簇。本文介绍了一些已有的多密度聚类方法,并提出在基于网格聚类中,更为"平缓"的一种多密度的处理方法,以得到更自然的簇。

基于网格的无线传感器网络虫洞攻击抵御策略

虫洞攻击破坏路由操作、影响节点定位,对整个无线传感器网络(WSNs)的安全性造成极大的威胁.针对这种情况,提出了基于网格的虫洞攻击抵御策略(DEAD).通过附加的网格属性,借助特定网格内节点的信息交换来检测网络中的虫洞攻击,包括具有伪造篡改能力的特殊虫洞攻击,从而大大减少了虫洞攻击造成的危害.仿真实验表明,该策略能够在网络受到攻击时,有效地检测出恶意节点.

基于网格局部密度的聚类算法

为了使基于网格的聚类技术适用于多密度数据集,提出一种基于局部密度的聚类算法。算法提出将数据单元格密度分类的方法,使得具有不同密度的单元格使用不同密度阈值的进行聚类。同时给出了边界单元的处理方法以提高聚类结果的精度。实验结果表明,GLD算法比其他类似算法有较高的聚类精度和效率。

基于网格技术的高维大数据集离群点挖掘算法

本文主要分析了离群点挖掘方法是针对小模式数据进行挖掘,其目的是找出大数据集中那些与正常数据相比差别比较多,远离正常数据的数据,以供参考。

基于增强网格网络的井下尘雾图像清晰化算法

针对目前井下尘雾图像清晰化算法存在的图像偏暗、细节丢失和过度增强等问题,提出一种基于增强网格网络的井下尘雾图像清晰化算法。该算法由前处理模块、主干模块和输出模块3个部分组成。前处理模块通过特征提取模块IRDB生成一组特征图,作为主干模块的输入,IRDB融合了Inception架构和密集残差连接模块(RDB)的优势,可在网络资源有限的情况下增加网络的深度和宽度,从而增强网络的表征能力、泛化能力及其对不同尺度尘雾的处理能力;主干模块采用网格网络进一步提取图像不同尺度的特征,并通过上采样和下采样实现特征图不同尺度的变换,为更好地捕捉图像中的细节信息,在网格网络中引入通道注意力机制。实验结果表明:IRDB数量为5时,网络模型的峰值信噪比(PSNR)、结构相似度指数(SSIM)和自然图像质量评价指标(NIQE)最好;从视觉效果上看,用所提算法清晰化处理后的图像细节信息更加丰富,色彩更加自然,具有良好的清晰度和对比度;在井下数据集上用所提算法处理后的图像PSNR、SSIM和NIQE分别为23.69,0.840 1,8.95,图像处理速度处于中等水平,整体性能优于DCP,AOD-Net等同类算法。

网格计算在军事仿真中的应用

网格能够实现分布、异构资源的共享,特别是 Globus 工具包为开展网格应用提供了基础,因此,人们开始把网格技术融入仿真之中,而且取得了一些成功。介绍了网格在军事仿真应用中的现状和发展趋势,就网格可以为军事仿真提供的服务支持能力进行了探讨,并提出了一个基于网格的仿真体系结构,然后描述了如何将网格应用于虚拟、构造和真实等军事仿真领域中,最后进行总结并介绍了作者当前在网格仿真方面的研究工作。

网格聚类算法

聚类分析有广泛的应用,是数据挖掘中非常重要的方法。聚类分析算法有多种分类,每种方法在不同领域发挥了不同的作用。以研究网格聚类算法为目的,介绍了聚类分析算法的要求以及常见的聚类算法;针对基于网格方法的聚类算法进行专门研究,比较分析了传统的和改进的基于网格方法的聚类算法。介绍的各种网格聚类算法都有自身的优点和不足。通过对这些网格聚类算法的学习便于深入研究网格聚类算法,以便将其与实际问题相结合,设计更好的算法。

重叠网格预处理技术研究

论文主要讨论重叠网格预处理方法,并提出迷路算法应用于“挖洞”过程,为重叠网格预处理提供了高效、可靠的“挖洞”方法,算法复杂度低,实现简单,健壮性好;在多层次嵌套重叠方面,引入了重叠网格主从关系图有效解决多层次嵌套重叠带来的问题;在提高找重效率方面,建立基于网格的kd树加快了找重过程。实验结果表明在大网格量、复杂重叠区域时该重叠网格预处理技术仍能得到较理想的效率。

网格环境下基于经济模型的开放式决策支持系统资源管理

基于网格的开放式决策支持系统(GBODSS)是DSS发展的新方向,其最大特点是实现大规模的决策资源共享,因此决策资源管理问题成为GBODSS的核心问题。文章在GBODSS中引入市场经济机制,建立决策资源电子市场模型,资源使用者和提供者使用软件代理,利用决策市场目录服务和决策信息服务,在决策市场环境中实现资源交易,从而通过市场手段实现资源的优化配置。

基于网格聚类LS-SVM的铝电解生产过程极距软测量

针对铝电解生产过程的复杂性,建立了基于网格共享近邻聚类(GNN)最小二乘支持向量机(LS-SVM)的铝电解生产过程极距软测量模型.该模型采用GNN算法将训练集分成具有不同聚类中心的子集,对各子集分别采用LS-SVM进行训练并建立子模型,同时通过参数转化实现模型对新数据样本的动态学习.仿真结果表明,基于GNN最小二乘方法建立的铝电解极距软测量模型具有精度高、泛化性能好等特点,能够为铝电解生产过程操作优化提供实时准确的信息.

运动拼接网格中搜索拼接点对算法研究

主要讨论在求解运动拼接网格过程中,对于占用很大时间的拼接点对的搜索问题,提出了时间步记忆搜索算法,并介绍了线性搜索、基于网格的Kd数搜索两种算法。理论分析了三种的算法的利弊及适用范围,并利用样例验证之。试验结果表明:基于网格的Kd数搜索较优,经理论分析由于实现上的不足之处以及样例选择导致时间步记忆搜索试验结果不好,仍需完善。

运动拼接网格预处理技术研究

通过在运动拼接网格预处理阶段采用求解两个具有拼接关系的相邻面的外接长方体的公共区域,缩小搜索范围,建立基于拼接区域网格的Kd树,区块经负载平衡区域分解后得到小区块,建立原拼接面与小区块拼接面的快速定位索引等方法减少操作时间,达到了提高并行求解运动拼接网格问题效率的目的。实验结果表明了上述方法有效可行。

基于AGAST-BRIEF的图像匹配融合算法

针对传统算法AGAST在图像处于复杂场景条件下进行图像检测时,造成图像匹配结果精度低和实时性差等问题,提出一种基于AGAST-BRIEF的图像匹配融合算法。首先,利用高斯滤波对图像进行预处理,实现去除图像噪声干扰,保留图像边缘信息的效果,通过AGAST与尺度空间理论相结合进行特征提取;然后,使用BRIEF描述子对图像中的关键点进行描述,提高特征匹配效率;最后,采用FLANN算法得到初次匹配对,使用GMS与改进的RANSAC算法对初次匹配结果进行二次筛选,得到图像特征精匹配。实验结果表明:所提算法相较于SIFT、AKAZE、KAZE算法匹配准确率提高,匹配运行时间最短,具有良好的鲁棒性。