基于密度聚类算法的电力通信监测分析

为解决传统基于密度的噪声应用空间聚类(DBSCAN)算法对输入参数设置敏感,以及传统的边缘计算框架计算成本高、计算时间过长等问题,创新性地提出了一种单遍权重K-means(SPWK)聚类算法。构建了电力通信网络故障及入侵监测模型,并将深度强化学习技术与边缘计算相结合,以降低计算成本和计算时长。仿真试验结果表明:SPWK聚类算法的迭代次数更少,平均执行时间以及总聚类时间分别低于其他算法67.5%、37.5%,加速比高出76.4%以上,聚类效率更高;边缘计算优化方法的服务器占用时间以及计算等待时间分别低于其他算法70.4%以上和79.2%以上,性能更优;电力通信监测模型对异常数据的平均识别准确率高出其他算法23.86%以上,入侵检测率高出其他算法4.8%以上,误报率降低65.4%以上,具备优异的检测性能。综上所述,所提故障及入侵监测模型以及边缘计算优化方法的性能均优于其他流行方法,适合在电力通信监测研究中推广使用。

基于不动产统一登记数据的个体迁居行为算法

在城市地区,居民迁居反映了人们与社会或物理环境的互动。不动产统一登记数据是完整存储了权利人、房屋坐落和宗地信息的数据,权利人的房屋购买行为,是个体迁居意愿的表达。研究以不动产统一登记数据为基础,按权利人购房行为的时间,生成套次数据。套次与套次之间建立个体迁居轨迹,通过对聚类算法的改进,在空间密度算法的基础上,对迁居轨迹进行了相似性度量,较好地解决了轨迹聚类问题,对成都市的个体迁居行为进行了提炼和分析。结果显示了套次与套次之间迁居行为的差异,较好地挖掘出迁居行为的时空特征,为房地产市场监管提供了新的思路。

基于DDTW距离与DBSCAN算法的户变关系识别方法

针对低压配电台区拓扑结构中户变关系缺失或异常的问题,提出了一种基于导数动态时间弯曲(DDTW)算法与基于密度的有噪空间聚类应用(DBSCAN)算法的户变关系识别方法。首先,采用DDTW算法对台区配电变压器(以下简称台变)低压侧电压和用户电压的时间序列进行相似性分析。然后,根据DDTW距离对台变和用户进行聚类得到户变关系的概率性结果,减小聚类算法参数对聚类结果的影响。该方法能够对时间间隔不同、不等长的电压时间序列进行分析,对电压数据缺失或异常不敏感,且不需要人为设定阈值,户变关系识别准确性高。最后,通过实例分析验证了所提方法的有效性。

基于DBSCAN和iForest算法的船舶异常行为分析

为更好地从船舶自动识别系统(AIS)数据中挖掘信息,科学地感知水上交通态势,针对异常船舶进行识别,论文提出一种基于改进的密度空间聚类算法(DBSCAN),结合孤立森林算法(Isolation Forest,iForest)在包含大量不相关船舶分布数据中选取数据集内在分布规律和聚类效果的变化来发现异常;同时针对船舶位置(LAT,LON)及对地航速(SOG)进行聚类,将速度与船舶密度结合,对船速分簇后结合地理领域知识和iForest构建的异常边界,更好地发现船舶异常行为。以北部湾船舶AIS数据为例,应用该文的算法,发现异常并进行分析,可以简化异常识别监控方式,为海事检测部门提供良好的船舶监控环境,降低监控人员的工作强度,为航道建设部门,应急处置部门及海事监管部门等提供合理建议。

基于时空约束密度聚类的职住地识别方法

为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN(density-based spatial clustering of applications with noise)时空驻点聚类过程将居民多天的原始轨迹点分成不同的时空驻点簇;然后,利用基于速度阈值的停留点簇和移动点簇识别过程将居民的每一个时空驻点簇区分为停留点簇或移动点簇;接着,利用基于K近距离的DBSCAN重要停留点聚类过程将居民的停留点分成不同的重要停留点簇;最后,利用基于KD-tree优化的KNN(K-nearest neighbor)职住地识别过程将居民的每个重要停留点识别为工作地、居住地、职住同一区域或兴趣地点区域。实验结果表明,该方法的每个过程都是合理有效的,并且最终的职住地识别效果要优于时间阈值法、累加时间法和信息熵法。

中空铜纳米线的拉伸断裂分布与初始滑移分布的关系

构建了系列球形中空结构的纳米线(NW),采用分子动力学(MD)对每个模型300个不同初始态的样本开展拉伸形变模拟。并利用基于密度的噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)机器学习算法,获得了初始滑移面的位置。基于大数据统计,分析了初始滑移位置分布以及断裂位置分布两者之间的相关性。研究结果表明:当内部中空半径较小时,断裂位置分布形成于塑性形变阶段,初始滑移分布与断裂位置分布之间无显著的相关性;但是对于脆性特征明显的大中空半径的NW,高能内表面诱导产生的滑移面迅速积累,产生颈缩并导致最终的断裂。因此当内部中空结构达到一定尺寸时初始滑移位置的分布与最终断裂位置的分布之间有明确的因果关系。

基于DBSCAN-ML的液压风力发电机故障诊断研究

传统风力发电机对于系统故障的解决方案是有限和预先确定的,而具有大量传感器数据的故障预测诊断可以有效预防可能发生的系统故障,从而降低设备维护成本。为此,提出一种基于DBSCAN-ML的风力发电机故障诊断策略。基于密度的应用噪声算法空间聚类(DBSCAN)从正常状态数据中分类出异常状态的风力机数据,然后采用决策树和随机森林算法2种机器学习(ML)算法构建预测模型,最后使用K折交叉验证进行测试。通过广西31台风力发电机组数据对此故障诊断方案进行案例验证。结果表明:DBSCAN算法可以有效分离异常状态数据,且决策树预测模型和随机森林模型可以分别获得92.7%和92.1%的准确率,通过数据挖掘和建模可以检测风力发电机组的故障,并可以预测部件的维护需求。

基于传感器聚类数据挖掘的物联网智慧医疗模型设计

现代智慧医疗需要操作简洁、反应迅速,能够提供智慧诊断的信息化平台,提出基于物联网无线传感器技术的智慧医疗模型。系统利用附着在患者身上的各类传感器采集到的生理信息数据,采用基于密度的带有噪声的空间聚类(DBSCAN)算法的数据分析方法,用非线性映射把患者的生理信息数据转换到高纬度的特征空间,对变换后的矢量数据进行聚类分析,从而提升聚类结果并有效辅助医务人员进行诊断。

一种基于机载LiDAR数据的山区道路提取方法

为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题,采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云,根据山区道路特性,计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度,组成点的分类特征;随后手动采集正负样本训练点云随机森林分类模型,将地面点云通过模型分类得到初始道路点云;再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云;最后矢量化道路点云获取道路中心线。结果表明,以Entiat River地区山区LiDAR点云数据进行实验验证,道路点云提取的正确率达到95.29%,完整率达到92.96%,提取质量达到88.88%。该方法能解决多重阈值难以确定的问题,能较高精度地提取到山区道路点云,进而获取有效道路中心线,对山区道路信息的研究有一定的参考价值。

基于DBSCAN的无线传感网定位方法

在NLOS传播环境下,为了获得更好的定位性能,由多个已知传感器节点测量来自未知节点的电波到达时间TOA,对TOA测量数据进行分组处理和加权最小二乘估计进而获得未知节点的初步定位结果,依据多次测量和估计并采用DBSCAN进行聚类处理从而剔除坏点获得较小的定位误差,实现了对未知节点的精确定位,最后进行实验仿真。计算机仿真结果表明所提出的定位方法能有效地抑制NLOS误差,具有较小的定位误差,鲁棒性较强,并较其他传统定位法进一步提高了定位精度。

基于GIS的城市配网系统图自动生成研究

针对电网工作中配网系统图的正确性与完整性等问题,开展了对电力网络结构和电力行业业务特点的调查与分析,抽象出了变电站之间联络关系的分析模型,将集成电路布图设计思想应用到配网系统图中,提出了根据线路联络关系进行供电区域划分的方法,开发了等密度约束空间布局算法。通过读取配网地理信息系统(GIS)所维护的电网拓扑结构及线路信息,使得系统图内包含地理信息系统上所有的电气设备,并保持了原有电气拓扑关系,能够在多个应用子系统中无缝共享,为多种应用提供了图形支撑。系统已在杭州电力局试运行半年,研究及应用结果表明,配网系统图能够很好地实现自动成图的功能,大大减轻了系统图维护的工作量,降低了系统的运维成本。

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。

基于聚类的超密集网络干扰抑制方法

针对超密集网络系统提出了一种改进的基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的干扰抑制方法。基站利用附加判断门限条件而改进DBSCAN聚类算法,并对小区里的用户进行分组,将具有相似信道特性的用户聚成一组,使不同分组用户之间的信道相关性较低。再利用比例公平调度选出每组中比例公平系数最高的用户进行传输,调度后的多个用户的空间特性不同的,从而降低空间干扰起到干扰抑制的效果。仿真结果表明,与其他相关2种方法比较,改进方法可有效地降低空间干扰,提高系统吞吐量。

基于三维点云的输电线路分类去噪算法研究

复杂环境中的输电线路点云由于各电力要素结构与点云密度不同,电力要素周边噪声点分布无规律且不均匀,传统去噪方法难以统一去噪。基于此,提出了一种基于粗分类的输电线路三维点云数据去噪算法。首先引入一种基于位置点索引的电塔点云提取方法,粗分类出电塔点云,并基于欧式聚类分割算法(euclidean cluster extraction)获取粗分类后的电力线点云与地物点云。针对粗分类后的电塔点云及地物点云,分别使用自适应阈值的基于密度的空间聚类算法(DBSCAN)和统计滤波算法去噪。针对于电力线点云,提出了一种基于电力线方向估计的主成分分析(PLE-PCA)的坐标变换算法,该算法通过有效放大噪声点与电力线点云距离,实现电力线点云稀疏、分布不均匀情况下的点云去噪。研究采用无人机密集匹配点云数据和无人机激光点云进行去噪试验。与半径滤波算法与统计滤波算法的对比试验结果表明,所提方法在输电线路激光点云和密集匹配点云存在密集噪声、电力要素与噪声点混杂、电力线点云密度低且分布不均匀等复杂环境下均具有较好的鲁棒性。

结合多次DBSCAN和层次聚类算法的膜蛋白单分子定位超分辨图像分割

膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能,在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像(SMLM)技术为在纳米尺度解析膜蛋白的空间分布提供了可能,但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法(DBSCAN)是常用的聚类方法之一,但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法,该算法以DBSCAN方法为分割基础,通过进一步的面积阈值分析和层次聚类,在保持超分辨点簇图像精确聚类识别的前提下,仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法,有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。

基于激光雷达回波信号的雾天车道线快速检测

当前主要通过深度神经网络模型提取路面车道线,并设计能见度检测网络,根据车道线可见长度检测路面车道线。但是,在雾天,基于深度分割神经网络设计编码解码结构非相关因素过多,无法通过其提取车道线特征图,无法准确检测图像坐标系下可见车道线的高度。针对雾天驾驶时的视觉障碍问题,以激光雷达技术为支撑,提出雾天车道线快速检测方法。根据激光雷达回波信号中每个回波脉冲宽度级的扫描点数,采用最小类内方差算法,阈值分割路面与车道线扫描点,由3σ准则分离出车道线的种子点后,基于高斯核函数加权搜索的生长准则,经区域生长得到完整的车道线种子点集。基于密度的空间聚类算法二次聚类获取的车道线种子点集,得到车道线的识别结果。以识别结果为基础,建立抛物线模型,结合随机采样一致性算法和最小二乘法,依据拟合分值迭代取得最优模型,通过拟合完成车道线检测。实验结果表明:该方法屏蔽雾天干扰引起的非相关因素,清晰检测出雾天环境中的多种车道线。在雾天环境车道线检测中,交并比高于0.95,F1值高于96%,可以满足准确性和实时性需求,为雾天驾驶提供有效的解决方案。