一种改进的DBscan聚类算法

提出一种改进的DBscan聚类算法.该算法的改进基于以下两点:(1)针对DBscan算法核心点随机选取导致计算量大的缺点,提出选取距离最远且在ε距离内点的个数大于Minpts的点为核心点的方法;(2)针对DBscan算法由于ε和Minpts参数全局唯一性导致聚类质量差的缺点,提出二次聚类的方法,即计算被误判的噪声点到各个族中心的距离,把该噪声点归入距离最近的族.同时,算法采用轮廓系数来衡量算法的聚类质量.实验结果表明该算法相比原始的DBscan聚类算法具有更好的执行效率和聚类质量.

基于KD树改进的DBSCAN聚类算法

针对DBSCAN聚类算法随着数据量增大,耗时越发非常严重的问题,提出一种基于KD树改进的DBSCAN算法(以下简称KD-DBSCAN).通过KD树对数据集进行划分,构造邻域对象集,提前区分出噪声点和核心点,避免聚类过程中对噪声的邻域集计算以及加快了核心点对象的邻域集查询速度.文中以浮动车GPS数据为实验数据,对比传统DBSCAN算法和KD-DBSCAN算法的聚类效果和时间性能,实验结果表明KD-DBSCAN算法的聚类效果和传统的DBSCAN基本一致,但时间性能有很大的提升.

一种改进的DBSCAN聚类融合算法及应用

DBSCAN高密度聚类是数据挖掘中聚类算法里常用的一种分析方法，它能找出样本比较密集的部分并概括出样本相对比较集中的类。本文通过分析DBSCAN算法特点并对其缺陷加以改进运用于Rohocup中型组机器人数据融合系统，实验结果表明运用DBscAN算法可以大幅度提高机器人目标定位的准确性。

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.

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。

基于改进DBSCAN省级电力物资仓库聚类的配送车辆路径优化研究

鉴于电力物资仓库分布点过多且较为分散,其多起点路径配送优化问题比较复杂,文中提出了一种改进DBSCAN聚类算法来简化电力物资多仓库配送车辆路径的两阶段方法。首先,将区域所有仓库进行聚类划分,得到若干个仓库簇,由此将多起点路径配送优化问题转化为多个仓库簇的单起点路径配送优化问题。然后,使用改进C-W法对模型进行求解。最后,以浙江省电力物资仓库作为配送实例,验证了文中所提两阶段方法及算法的可用性和可行性。

基于累积和事件段识别与改进谱聚类的锂离子电池储能系统内短路故障检测方法

锂离子电池系统的内短路故障可能导致严重安全事故,其检测受到在线检测实时性以及故障特征获得性制约,是当下锂离子电池储能系统安全运行亟待解决的问题。该文提出一种基于累积和(cumulative sum,CUSUM)事件段检测与改进谱聚类的锂离子电池储能系统内短路故障检测方法。首先,考虑内短路故障时的电压/温度变化特性,基于累积和事件突变点识别方法,识别疑似内短路故障事件段。其次,构建三维故障特征,刻画检测对象内短路故障特征属性。然后,构建基于Wasserstein测度的内短路故障特征距离矩阵,检测三维空间各点稀疏特性,客观划定故障聚类,实现内短路故障检测。搭建锂离子电池内短路实验平台、建立锂离子电池电–热耦合仿真模型,算例结果表明该文方法能够准确识别疑似内短路故障事件段,在不同串并联形式及故障类型下实现故障检测,证明了该文方法的正确性与可行性。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

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。

基于改进K-means聚类和遗传算法的混合算法求解异构车辆路径问题

由于目前单一车型配送存在资源浪费和效率低下等问题,选取确定数量的不同车型对各客户点进行配送服务往往可以得到更优的配送路径方案。针对这一点,描述了一种异构车辆路径问题,并建立了具有固定车辆数且考虑固定成本、可变成本以及时间窗惩罚成本的混合整数规划模型。同时,提出了一种基于改进K-means聚类和遗传算法的混合算法对模型进行求解。实验仿真先求解不考虑时间窗的问题初步证明混合算法的有效性,再在带时间窗的问题中求解不同规模算例的单一及异构车型结果,以证明异构车型配送更优。最后,对该混合算法的求解结果与其他混合算法的求解结果进行对比分析,证明了混合算法的优越性。研究结果表明:该混合算法求解的异构车型结果优于单一车型,并且比其他混合算法求解的异构车型结果更优,异构车辆配送使用的配送车辆数更少,总成本也更低,该混合算法具有更好的效率和性能。

基于改进K-means聚类的轨道交通基础设施分布式光伏发电典型场景生成及出力特性分析

受限于自然条件,光伏出力具有很强的随机性。为准确评估轨道交通基础设施分布式光伏发电的光伏出力特性,提出一种基于改进K-means聚类算法的轨道交通基础设施分布式光伏发电典型场景生成方法,并基于此进行光伏出力特性分析。首先,基于分布式光伏发电设施以及气象数据,利用PVsyst软件模拟光伏发电出力数据。然后,针对基本K-means聚类算法聚类参数和初始聚类中心盲目性高的问题,结合聚类有效性指标(Density based index,DBI)和层次聚类对其进行改进并利用改进K-means聚类算法生成光伏典型日出力场景。最后,基于华中地区某地轨道交通基础设施分布式光伏系统对所提方法的有效性和优越性进行验证,并通过定性和定量分析各典型场景的出力特性揭示轨道交通基础设施分布式光伏出力的规律和特点。

改进AHM-RS赋权的网络节点多属性可拓聚类模型

针对网络节点模型聚类时未充分考虑网络节点的多属性以及结果片面性的问题,设计改进属性层次模型-粗糙集(Attribute hierarchy model-rough set,AHM-RS)赋权的网络节点多属性可拓聚类模型。通过改进AHMRS赋权法与可拓聚类算法,建立网络节点多属性可拓聚类模型;利用改进AHM法计算主观权重;利用RS赋权法计算客观权重;通过相对信息熵,组合主客观权重,得到综合权重;依据节点属性值和综合权重,获取节点综合重要性度量值;通过节点可拓距与综合重要性度量值,计算节点关于聚类等级的关联度,按照关联度确定该节点所属的聚类等级。实验证明:该模型可有效计算网络节点多属性综合权重,以及网络节点的关联度,完成网络节点多属性可拓聚类;在不同节点删除比例时,该模型可拓聚类的Rand指数均较高,即网络节点多属性可拓聚类精度较高。

基于改进K-means聚类和皮尔逊相关系数户变关系异常诊断

用电信息采集系统易出现台区户变关系错误问题,传统诊断技术主要针对少用户台区出现异常用户情况,但对于多达数百用户台区,存在多相邻台区异常用户特征提取难题。文中首先通过主成分分析对GIS系统获取台区总表和用户电表电压数据实现降维,建立改进K-means聚类提取电压数据特征,提出改进皮尔逊相关系数算法分析待检测用户,据此建立基于改进K-means聚类和改进皮尔逊相关系数的户变关系异常诊断方法,实现多异常用户所属正确台区诊断。实际算例分析结果表明,文中提出算法在识别同一台区一个及多个异常用户、不同台区多个异常用户情况下均能有效实现异常用户的准确检测与分析,相比传统检测方法,实现简单且准确性更高。

基于改进模糊聚类算法的大数据随机挖掘仿真

大数据挖掘是从大量有噪声的、随机模糊的大数据中提取有价值信息的过程,由于海量大数据具有多维性、稀疏性以及动态性等特点,准确获取其分布特征的难度较大,随机挖掘难以直接实现。为此提出基于改进模糊聚类算法的大数据随机挖掘方法。利用建立的语义概念树模型获取大数据的特征分布关系,并根据模糊语义分析法得出大数据的语义相似性、关联性条件,提取大数据特征。优先确定最佳聚类数,采用改进模糊聚类算法对其聚类,实现基于改进模糊算法的大数据随机挖掘。实验结果表明,上述方法的大数据模糊聚类效果较好,随机挖掘准确率可达到95%以上,实验所得结果验证了上述方法较强的应用有效性。

基于DBSCAN聚类算法的卫星数据分区异常检测

随着我国第一颗电磁监测卫星的发射,卫星探测的海量数据不断涌现,探究空间载荷数据变化特征已成为当前研究热点。为了对张衡一号卫星LAP载荷数据进行异常检测,该文将处理后的数据按地理纬度划分为南纬50°到南纬20°,南纬20°到北纬20°,北纬20°到北纬50°三个区域,依次采用DBSCAN密度聚类算法进行聚类异常检测。结果表明,该方法可用于对LAP数据的异常检测。DBSCAN密度聚类算法可用于检测卫星异常数据,为检测卫星探测数据异常、研究空间数据变化特征提供思路参考。

基于模糊聚类与改进遗传算法的异常电力工程数据识别技术

针对传统人工核查电力工程异常数据存在耗时费力及准确度较低的问题,文中提出了一种基于模糊聚类与改进遗传算法的数据识别技术。该技术采用模糊聚类算法对数据进行自动归类,并对异常数据加以识别。同时还设计了一种改进遗传算法增强了数据的全局搜索能力,进而提升整体算法的识别效率。基于Matlab进行的仿真验证结果表明,所提技术方案可有效地自动识别出电力工程中的异常数据。而在结合改进遗传算法后,该算法的识别准确率得到了显著提升,且识别时间也缩短了60%以上,实现了数据搜索能力与效率的平衡。

基于改进欧氏聚类算法的障碍物检测跟踪

障碍物的检测与跟踪技术是移动机器人行驶过程中的一个重要技术,有利于提高移动机器人的运动安全.为了提高了障碍物检测的准确率,针对欧氏聚类存在过分割和欠分割的情况,做出了两点改进:提出动态欧氏聚类搜索半径的方法来解决远处点云过于稀疏的问题;提出将半径搜索改成深度方向上的拓展搜索的方法来解决点云数据在深度方向上检测不完全和拖尾等问题.为了提高动态障碍物跟踪的准确率,在进行两帧障碍物数据关联时,设计了一种新的关联矩阵的计算方式,加入了障碍物的六自由度信息和尺寸信息,提高了动态匹配的成功率.仿真实验表明,经过改进后障碍物检测准确率达到了95.2%,多目标跟踪精度达到了13.2 mm.

基于DBSCAN聚类算法的毕星团成员星辨认

疏散星团[1]在天文学和天文物理学的研究中至关重要,对其成员星的正确判断是所有研究工作的基础。成员星识别的可靠性随着天体测量技术的不断发展,而变得愈发重要。本文运用DBSCAN聚类算法,实现毕星团成员星认定问题的分析与研究。通过色指数与温度公式求出各个侯选星成员星的温度。以绝对星等为纵坐标,将其成员星的赫罗图作为恒星表面温度的横坐标,对筛选出的毕星团成员星体绘制了一幅赫罗图。

基于改进CURE聚类的运营商用户云数据挖掘方法

为了优化运营商用户云数据挖掘效果、提升数据挖掘质量,开展基于改进CURE聚类的运营商用户云数据挖掘方法研究。首先,确定运营商用户云数据来源,采集与预处理运营商用户云数据。其次,设计数据挖掘关联规则,得出不同用户云数据之间的关联性。最后,利用改进CURE聚类算法,设计运营商用户云数据挖掘流程,输出聚类结果作为数据挖掘结果,并建立数据仓库,集中存储和管理用户云数据挖掘结果。实验结果表明,运用提出的方法,数据挖掘轮廓系数更接近1,聚类合理,挖掘效果优势显著,应用效果较好。

基于改进K均值聚类的光谱重建训练样本选择研究

光谱反射率重建过程中,训练样本的选择方法及样本容量与重建精度密切相关,寻找一种高效的训练样本选择方法是光谱重建的目标之一。K均值聚类计算复杂度小,计算效率高,但因聚类初始值选择的随机性,以及离群点的影响致使聚类结果不稳定,进而影响光谱重建的精度。基于此,提出了一种改进K均值聚类的训练样本选择方法。首先,将训练样本集的几何中心作为聚类中心的初始值;其次,基于高斯函数构建样本空间分布概率密度函数,并以欧几里德(欧式)距离作为其他聚类中心的度量依据;最后,在训练样本集中,基于簇内平方差度量光谱反射率样本间的相似度,将每个聚类子集中与中心距离最近的样本作为训练样本。为验证该方法的有效性,通过主成分分析法进行光谱重建。实验结果表明,所提的方法相较于传统的方法,光谱重建精度有一定的提高,重建光谱的平均均方根误差小于4%, CIE DE2000色差小于3.756 7。提出的改进的K均值聚类的训练样本选择方法,能够一定程度上提高了光谱重建精度,基本满足复制再现图像的要求。