基于免疫—中心点聚类算法的无功电压控制分区

针对传统分区方法电气距离定义的缺点,提出一种新的电气距离即空间电气距离。依据系统中各节点之间无功电压变化关系,将系统各节点映射到一个多维空间中,节点之间的空间距离便是其电气距离,依据此距离将各节点进行归类,从而把无功电压控制分区问题转化为数学上的空间聚类问题。针对无功电压控制分区的特点并借鉴聚类算法,提出免疫—中心点聚类的无功电压控制分区算法并将其运用于IEEE118节点系统,对分区结果进行分析并与其他算法结果比较,验证所提出的算法的准确性和可行性。

基于K-中心点聚类的模糊航迹关联算法

为提高目标航迹相交和近距平行状态时航迹关联的正确率,提出了一种基于K-中心点聚类的模糊航迹关联算法。该算法基于K-中心点聚类算法,将系统航迹作为聚类中心,采用局部航迹与系统航迹关联的策略,为描述航迹间的相似性,采用模糊分析方法,综合考虑各个因素的影响,构造模糊关联矩阵,并利用历史信息和先验知识进行航迹关联。仿真表明该算法在航迹相交状态下,相交时刻关联正确率比K-medoids聚类算法提高5%左右,近距平行状态下关联正确率的收敛速度优于K-medoids聚类算法。

基于角点聚类的移动机器人自然路标检测与识别

针对未知环境中机器人视觉导航的自然路标检测,提出了一种基于角点聚类的自然路标局部特征提取、不变性表示及其匹配算法.用SUSAN算子提取左右视图中的角点,在极线约束下对左右视图的角点进行匹配,消除遮挡或噪声引起的角点;同时应用立体视觉计算角点视差,进一步筛选角点.根据角点聚类策略提取自然路标局部特征,并提出不随距离、角度变化的局部特征不变性表示及匹配方法.理论分析和实验结果表明,该算法具有较好的鲁棒性,在一定距离和角度变换下能够对路标进行正确识别.

基于k中心点聚类的图像二值化方法

在机器视觉和模式识别的研究中,将图像变换为二值图像是能够更高效识别图像中的特定区域或者目标的关键。提出了一种基于k中心点聚类算法的图像二值化方法(image binarization k-medoids-based clustering,IBk MC)。该方法使用基于距离的平方和误差作为聚类质量度量,根据图像二值化的领域知识将k的值取为2,自然地将图像分为前景类和背景类两类。实验结果证明,针对复杂环境下的自然图像,该方法在效果和效率上优于OSTU(最大类间方差)阈值化方法。

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。

推进式优化特征权重的K-中心点聚类方法

为获得更贴近于混合属性数据点集空间的相异性度量,从而探测出数据点集的更有意义的聚类分布,提出了一种推进式优化特征权重的K-中心点聚类算法。对该聚类算法进行了必要的讨论,给出其时间复杂度分析及算法收敛性分析。为实现该聚类算法的特征权重优化步骤,给出了二种不同的特征权重优化方法和几个自适应优化距离权重系数、目标函数系数的方法。这些优化方法在一定的理论层次上解决了相异性度量的自适应优化问题。通过几个UCI标准数据集验证了该聚类算法有时能取得更好的聚类质量,从而说明该加权聚类算法具有一定的有效性。给出了几点研究展望,为下一步的研究指明了方向。

基于分区域特征点聚类的秧苗行中心线提取

为了准确检测水稻秧苗行中心线,提出了基于分区域特征点聚类的秧苗行中心线提取方法。采用2G-R-B特征因子和Otsu法分割秧苗和背景;通过分区域统计秧苗像素点分布提取秧苗行的候选特征点,利用特征点间近邻关系对特征点进行聚类,确定秧苗行数和各秧苗行的起始点;基于秧苗成行栽植特点引入“趋势线”,利用点到该直线的距离与距离阈值作比较,筛选出远离各行趋势线的点,并将其去除;对筛选后的每一行特征点用最小二乘法进行直线拟合,获取秧苗行中心线。实验结果表明,该算法具有较强的抗噪性能,提取秧苗行中心线的准确率达95.6%,与标准Hough变换和随机Hough变换算法相比,处理一幅分辨率为320像素×237像素的彩色图像平均耗时短,能够实现水田秧苗行中心线的准确提取,可为插秧机自主行走提供可靠的导航信息。

基于K-中心点聚类算法的论坛信息识别技术研究

提出了一种从非确定结构的论坛页面自动获取信息区域的方法。该方法在对K-中心点聚类算法的研究基础上克服了算法中固定簇数的缺陷,并在算法的簇中心距离计算中引入Smith-Waterman改进算法,提高了算法聚类的精确度。通过对大量论坛网页进行信息识别的实验显示,该方法切实可行并且具有较高的准确性。

2021年世界交通运输大会水运学部会议 基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法

针对目前船舶典型轨迹的挖掘多以轨迹段作为基本单元,导致聚类对象较为复杂且聚类参数难以确定的问题,本文提出一种基于改进K中心点聚类的船舶典型轨迹自适应挖掘算法。算法以轨迹点作为聚类对象,分析船舶的航速、航向特征并对轨迹点进行压缩;将分段均方根误差引入K中心点聚类算法,实现聚类参数的自适应选择;提取其中的聚类中心点作为轨迹特征点,得到不同类别船舶的典型轨迹。以天津港主航道船舶自动识别系统(automatic identification system,AIS)数据为例,基于地理信息系统平台ArcGIS实现聚类结果的可视化展示。实验结果表明,运用该算法得到的船舶典型轨迹与实际相符,自适应程度较高。研究结果对于辅助船舶轨迹异常检测及挖掘海上交通特征具有重要意义。

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。

基于时空维度变量的杭州市轨道交通站点聚类研究

为捕捉由轨道交通站点周边建成环境与客流时变特征的互动关系而反映的站点类型差异,基于地铁刷卡数据与站点周边兴趣点(Point of Interest,POI)数据,分别通过客流时间序列分析和地理加权回归模型进行时空维度聚类变量提取.应用K-means++聚类算法将杭州地铁1、2、4号线站点划分为工作导向型、居住导向型、商业型以及工作-居住混合型4种类型.研究结果表明:该方法相对于传统K-means算法具有更优的性能表现,其中轮廓系数、Davies-Bouldin指数与Calinski-Harabaz指数等3项聚类评价指标的改善幅度分别为30.43%、10.51%、9.02%,因而能够准确识别时空视角下的轨道交通站点类型并反映其客流出行模式,进而为站点客流预测、站城一体化建设等后续研究提供分析依据.

基于细节点聚类的多参考中心指纹匹配算法

指纹匹配算法的好坏直接影响识别系统的精度。提出了一种新的基于细节点聚类的多参考中心指纹匹配算法,在两枚指纹对齐阶段,不仅考虑了指纹的全局特性而且根据不同的细节点类自适应地构造不同的局部结构,有效地利用了一些孤立但信息量较大的细节点,提高重叠区域内细节点较少且分散的情况下对齐的准确性。在匹配阶段,多参考中心的使用和相似元分析的结合能在一定程度上克服指纹非线性形变的影响,降低了匹配算法的拒识率。实验结果表明该方法提高了匹配的性能。

一种改进的模糊连接点聚类算法

传统的模糊连接点FJP聚类算法采用基于欧氏距离的最大-最小合成运算法生成传递闭包,该方法所生成的传递闭包存在失真问题,即包含有较多错误的数据关联信息,最终造成算法聚类精度低且计算时间长。针对以上问题,提出一种改进的模糊连接点聚类算法:先用组合核函数计算数据集的模糊相似度矩阵,提高算法对数据非线性特征的辨识能力,并用大顶堆存储之;然后遍历传递闭包矩阵中的空元素,用堆顶的桥元素填充传递闭包的空元素,直至生成传递闭包。在测试数据集上的实验结果表明,本文算法的平均聚类精度较传统FJP算法有20%以上的提升,显著改善了传递闭包的失真问题;另外,在大型数据集上的计算效率亦优于传统FJP算法的,说明本文改进FJP算法的思路是有效的、可行的。

基于轨迹点聚类的航路发现方法

为了加强对局部空域航路的掌握和管理,提出一种基于轨迹点聚类的航路发现方法。首先,针对根据真实数据的分布特点生成的仿真数据,采用预处理模块对轨迹数据的噪声进行削弱和剔除;其次,提出一种包括孤立点剔除、轨迹重采样、轨迹点聚类、聚类中心修正和连接聚类中心五个部分的航路发现方法,对航路进行提取;最后,对航路提取结果进行了可视化输出,并使用民航数据对该方法进行了验证。在仿真数据上的实验结果表明,在噪声强度为0.1°、缓冲区为30 km的条件下,所提方法的节点覆盖率和长度覆盖率分别为99%和94%;与栅格化方法相比,该方法具有较高准确性,能够对航路进行更有效的提取,达到了提取飞行器常见航路的目的。

基于k中心点聚类的稳态电能质量预警阈值研究

对稳态电能质量预警阈值的研究是适应电能质量预警系统的开发。针对目前稳态电能质量预警阈值确定方法复杂单一的问题,提出了一种基于k中心点聚类的稳态电能质量阈值确定方法。该方法是在对电能质量数据进行聚类分析的基础上,使用基于距离的平方和误差作为聚类质量的度量,根据阈值确定的实际情况取k=2,自然地将所有数据分为正常类和异常类两类,在此基础上进行阈值的选取。实验结果证明,在确定电能质量阈值的问题上,该方法具有良好的效果和效率。

基于采样点聚类和切换象限划分核查小区方位角

工参数据主要依赖于人工维护,其低准确性制约了网络规划优化工作的开展。针对工参数据中的小区方位角,通过采集网管系统的测量报告数据和切换统计数据,综合运用采样点聚类算法和切换象限划分算法,计算对应小区的模拟方位角。进一步对比模拟方位角和实际方位角,发现存在的问题,从而指导工参数据更新以及工程整改。通过现网的实际验证,该研究方法取得了良好的应用效果。同样,该研究可以推广应用到工参数据的经纬度方面的核查工作中,具有较强的借鉴价值。

基于动态双子种群的差分进化K中心点聚类算法

随着海量大数据的出现,聚类算法需要新型计算模式来提高计算速度与运行效率。本文提出一种基于动态双子种群的差分进化K中心点聚类算法DGP-DE-K-mediods(Dynamic Gemini Population based DE-K-mediods)。DGP-DE-K-mediods利用动态双子种群方法,解决聚类算法在维持种群密度的时候避免陷入局部最优的问题;采用差分进化(Differential Evolution,DE)算法来提高全局最优能力的强健性;基于Hadoop云平台来并行处理DGP-DE-K-mediods,加快算法的运行速度和效率;描述基于MapReduce的并行聚类算法的编程过程;DGP-DE-K-mediods利用UIC的大数据分类的案例数据和网络入侵检测这种大数据应用来仿真算法的效果。实验结果表明,与已有的聚类算法相比,DGP-DE-K-mediods在检测精度、运行时间上有明显的优势。

基于时频点聚类的雷达回波信号时频特性分析

传统雷达回波信号特性分析方法特征聚类性不佳,回波信号检测精度,信噪比较低。为此,本文引入时频点聚类方法对雷达回波信号时频特性进行分析。依据一阶差分阵列构建雷达回波信号滤波检测模型,利用输入信噪比方法增强雷达回波信号,提取雷达回波信号的时频特征点,实现雷达回波信号时域频域转换;通过离散信号加窗处理进行谱增强处理及分段检测,采用模糊聚类实现雷达回波信号时频特征检测。仿真结果表明,采用该方法的雷达回波信号时频特征聚类性较好,回波信号检测精度较高,提高了输出信噪比。

基于细节点聚类的指纹匹配算法

指纹匹配算法的好坏直接影响识别系统的精度。本文提出了一种新的基于细节点聚类的多参考中心指纹匹配算法。实验结果表明本文所提出的方法提高了匹配的性能。

一种自适应模糊连接点聚类算法

模糊连接点聚类算法(Fuzzy Joint Points, FJP)用最大间隔下降法划分聚类的簇数目,这种确定簇数目的方法具有主观性,不利于算法的应用推广。针对此问题,提出一种基于有效近邻簇指标的自适应FJP聚类算法,通过Kernels-VCN指标来评估聚类的有效性,从而实现最佳簇数目的自适应确定,最后在UCI数据集和人工数据集上验证所提算法的可行性。