针对传统电磁频谱地图构建方法感知节点分布不均匀、监测数据存在异常值等问题,将基于密度的噪声应用空间聚类(Density-based Spatial Clustering of Applications with Noise,DBSCAN)算法与反距离加权(Inverse Distance Weighting,IDW...针对传统电磁频谱地图构建方法感知节点分布不均匀、监测数据存在异常值等问题,将基于密度的噪声应用空间聚类(Density-based Spatial Clustering of Applications with Noise,DBSCAN)算法与反距离加权(Inverse Distance Weighting,IDW)算法相结合,提出一种城市环境电磁频谱地图构建方法。该算法首先通过DBSCAN减轻极端值的影响,并分离核心点、边界点和噪声点,将每个核心点的局部密度作为权重,计算簇的加权中心点。其次,运用IDW对聚类簇的加权中心点进行插值估计,以显著减少需要进行插值的数据点数量,从而构建精度更高的电磁频谱地图。仿真结果表明:与IDW算法和反障碍距离加权算法相比,所提算法重构得到的电磁频谱地图的平均绝对误差和归一化均方误差分别降低了10%和23%以上。展开更多
为提升谱聚类的聚类精度和适用性,提出了一种基于Fréchet距离的谱聚类算法(A Spectral Clustering Algorithm Based on Fréchet Distance,FSC),通过Fréchet距离构建相似度矩阵,并将重构的相似矩阵应用于谱聚类中。利用Fr...为提升谱聚类的聚类精度和适用性,提出了一种基于Fréchet距离的谱聚类算法(A Spectral Clustering Algorithm Based on Fréchet Distance,FSC),通过Fréchet距离构建相似度矩阵,并将重构的相似矩阵应用于谱聚类中。利用Fréchet距离度量数据特征维度的相似性对样本的多个特征进行分析,进而扩展典型谱聚类算法的适用性。FSC不仅适用于低维流形结构清晰的数据,也适用于高维或稀疏数据,如高光谱图像数据。在3个经典的高光谱图像上的实验结果表明,FSC算法有效提高了高光谱图像聚类的精度。展开更多
文摘针对传统电磁频谱地图构建方法感知节点分布不均匀、监测数据存在异常值等问题,将基于密度的噪声应用空间聚类(Density-based Spatial Clustering of Applications with Noise,DBSCAN)算法与反距离加权(Inverse Distance Weighting,IDW)算法相结合,提出一种城市环境电磁频谱地图构建方法。该算法首先通过DBSCAN减轻极端值的影响,并分离核心点、边界点和噪声点,将每个核心点的局部密度作为权重,计算簇的加权中心点。其次,运用IDW对聚类簇的加权中心点进行插值估计,以显著减少需要进行插值的数据点数量,从而构建精度更高的电磁频谱地图。仿真结果表明:与IDW算法和反障碍距离加权算法相比,所提算法重构得到的电磁频谱地图的平均绝对误差和归一化均方误差分别降低了10%和23%以上。
文摘为提升谱聚类的聚类精度和适用性,提出了一种基于Fréchet距离的谱聚类算法(A Spectral Clustering Algorithm Based on Fréchet Distance,FSC),通过Fréchet距离构建相似度矩阵,并将重构的相似矩阵应用于谱聚类中。利用Fréchet距离度量数据特征维度的相似性对样本的多个特征进行分析,进而扩展典型谱聚类算法的适用性。FSC不仅适用于低维流形结构清晰的数据,也适用于高维或稀疏数据,如高光谱图像数据。在3个经典的高光谱图像上的实验结果表明,FSC算法有效提高了高光谱图像聚类的精度。