基于稀疏光流和密度聚类的运动目标检测算法

针对复杂背景下视频存在较多噪声导致运动目标检测结果不准确的情况,提出了一种基于金字塔LK光流法结合DBSCAN聚类的复杂背景中运动目标检测算法。首先,对视频进行金字塔LK光流的运动矢量进行描述并表示成光流图;其次,对光流点进行基于密度的DBSCAN聚类,将复杂背景中的运动背景当成噪声进行剔除;最后,通过光流运动矢量表示运动目标轮廓实现了对视频的真实运动目标的检测和聚类。实验结果表明,上述算法有效地排除复杂背景的干扰,取得很好的运动目标检测效果。

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。

基于聚类和流量传播图的P2P流量识别方法

为有效监管网络,快速精确识别P2P流量,通过分析P2P网络流量中节点与节点、节点与链路之间的交互和行为特征,将聚类方法与流量传播图方法相结合,提出了一种基于网络行为特征的P2P流量识别方法。该方法首先通过采集网络流的包级和流级统计特征对不同种类的网络应用的流量进行聚类,然后利用流量传播图对P2P流量进行识别。实验结果表明,提出的方法在骨干网络数据上能够有效识别P2P网络应用流量,F 1-measure达到95%以上。

利用DBSCAN和概率密度估计的欠定盲源分离混合矩阵估计

针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类(combining density-based spatial clustering of application with noise,DBSCAN)和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。

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。

基于路侧三维激光雷达的车辆目标分类算法

以三维激光雷达路侧部署为技术手段,提出了一种适用于城市复杂环境的车辆目标分类算法。该算法首先使用背景差分法和密度聚类算法实现了车辆点云的检测,然后提取车辆点云的形态、比例、高度轮廓、侧面轮廓等特征,训练随机森林分类器,实现了车辆目标的准确分类。最终分析比较了单特征和综合特征的检测分类性能。结果表明:该算法在城市复杂环境下对车辆目标分类准确率达到了95.2%。

基于DBSCAN-GRU算法的终端区4D航迹预测

终端区空域环境复杂、航班密集,精确的航迹预测能极大地提高空中交通服务水平,保障航班飞行安全。针对终端区的高精度多航班4D航迹预测问题,本文提出了一种基于密度的带噪声空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和门控循环单元(Gated Recurrent Unit,GRU)相结合的航迹预测方法,通过DBSCAN聚类,将终端区中航迹相近的航班聚类到一簇中,对每一簇航班建立基于GRU神经网络的航迹预测模型,对终端区航班进行预测时,先判断该航班属于哪一簇,然后采用与该簇对应的航迹预测模型,进行4D航迹预测。与仅研究单一航班的传统预测方法相比,本算法有效地利用了终端区的航迹数据,所建模型可以针对多架航班进行航迹预测,扩大了模型的适用范围,提高了航迹预测的预测精度。

军事侦察通信系统跳频信号分选

跳频信号分选作为跳频通信侦察工作中的重要一环,为跳频信号后续处理提供了基础,但是在复杂电磁环境下,各种噪声信号同时存在且跳频网台个数未知,现有的跳频信号分选算法,分选正确率往往不理想。为了解决这个问题,提出了一种基于DBSCAN聚类算法的跳频信号分选方法,通过对截获信号的方位、功率、周期等特征参数进行聚类,估计出检测范围内跳频信号的个数。最后的仿真表明,该算法能有效排除噪声干扰,且在跳频网台个数未知的条件下,依然具有较高的分选正确率。

基于无速度参数目标函数的弹着点定位方法

目前基于地震波的弹着点定位方法多数都需要提前测量地震波波速或对其进行反演,导致定位误差大,为此提出一种基于波速方差目标函数的弹着点定位方法。该目标函数的未知参数只有弹着点坐标,无需提前测速或进行波速反演。采用单纯形法对此目标函数寻优,并结合带噪声的密度聚类算法进行弹着点定位,可以有效抑制因波速不均匀带来的定位误差。通过构建的仿真模型验证定位方法的可行性。该定位方法应用于地面静爆试验,利用检波器获得的数据对爆心进行定位,相对定位误差为0.38%,试验验证了定位方法的正确性。

基于密度提取的细胞荧光图像标识算法

为解决常用的基于图像像素连通性的分类标识算法和当前的基于密度可达性的快速算法在处理类似线粒体等分布不连续的荧光图像上存在标识不稳定和误标识的问题,通过改进基于密度的算法在搜集对象上的策略,采用基于局部密度提取的搜集方法。结果表明:对于不连续分布的荧光图像,这种方法可以很稳定的给出符合实际的分类标识结果,优于基于连通性和基于密度的快速算法,准确率和稳定性较高。