基于改进和声搜索的自适应DBSCAN算法

DBSCAN算法作为一种经典的聚类算法被广泛地应用于各领域,但由于其参数的自适应性较差,应用效果完全取决于参数的设置。基于此,提出了基于改进和声搜索的自适应DBSCAN算法,以提高DBSCAN算法的自适应性。算法采用K-平均最近邻算法优化初始种群,从而改善初始种群质量,为后续的进化计算提供优质解;设计了基于双差分的更新算子,提升算法的搜索能力;采用两种更新策略结构避免算法过早收敛,提高和声搜索算法的寻优能力进而全面提升DBSCAN算法的自适应性。采用多种数据集并设计对比实验验证提出的算法。实验结果表明,提出的算法具有更佳的识别能力和自适应性。

基于自适应DBSCAN的雷达目标跟踪算法

直接对三坐标航管一次雷达点迹录取器中录取到的点迹进行航迹起始、跟踪等处理后,会形成大量虚警,运算量大.进行目标跟踪时,候选点迹集合数量庞大是造成目标跟踪过程运算量大的主要原因.文中基于动态自适应DBSCAN聚类算法,结合经典卡尔曼滤波跟踪算法,提出了动态自适应DBSCAN聚类跟踪混合算法,来减少候选点迹集合数量.实验结果证明,本文提出的算法实现了无效点迹数的减少、航迹质量的提高以及运算时间的下降.通过动态自适应DBSCAN聚类跟踪混合算法,能迅速跟踪到三坐标航管一次雷达探测到的目标并形成目标航迹,可以及时发现黑飞目标,将对正常民航飞机飞行的干扰降到最低.

基于参数自适应DBSCAN算法的旋转设备健康评估

针对电厂旋转设备的运行状态异常检测问题,提出一种基于参数自适应DBSCAN算法的旋转设备健康状态在线评估算法。该算法中为降低人工设定邻域半径和密度阈值对密度聚类结果的影响,选用轮廓系数作为聚类结果有效性评价指标,基于粒子群算法(PSO)确定合理的参数值。采用参数自适应DBSCAN算法定期对正常运行时的历史数据进行离线聚类分析,基于此聚类结果分析实时采集的数据,在线评估旋转设备的健康指数。对某电厂旋转设备的运行数据进行仿真分析,结果表明所提方法能够有效检测设备异常运行状态,为设备的安全可靠运行提供保障。

内河航道事故黑点识别自适应参数DBSCAN聚类算法研究

内河水上交通事故时有发生,对水路运输安全、高效发展带来威胁。研究提出一种基于自适应参数的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法,用于识别内河事故黑点水域。该方法支持对邻域半径ε和邻域中数据对象数目阈值P_(min)参数的自动选取,可提高聚类分析的精度和效率。基于2010—2019年长江干线下游散货船舶事故数据开展案例研究,对各典型事故黑点段的事故特征和事故原因进行分析,得到8个事故黑点。此外,采用Getis-Ord General G聚类识别事故黑点中的高等级事故区域,得到事故黑点及高等级事故主要分布于江心洲、桥区、港口码头区域。研究结果与实际情况基本吻合,一定程度上表明了该方法在内河水上交通事故分布特征分析上的科学性和实用性。

蚁群算法与DBSCAN融合的仓库选址智能算法研究

正确的仓库选址,不仅能够提高运输效率,还能降低运输成本,对货物运输有着重要的作用。本文通过初始化蚁群算法距离矩阵,迭代计算不可直达客户点之间的最短距离,实现对蚁群算法的改进;相较于传统的DBSCAN聚类算法,我们将最短距离矩阵作为算法的输入,提出了基于Distance自适应的DBSCAN算法(Distance_DBSCAN),对核心点的选择策略进行修改,实现对DBSCAN算法的改进;针对聚类结果再次利用蚁群算法,给出每一个类别的仓库选址位置和最短路径策略。实验表明,本文提出的Distance_DBSCAN算法可以正确分离噪声点,有着较好的ARI指数,且时间复杂度低,可以有效缩短聚类总路程,更重要的是此算法更加符合货物运输仓库选址的实际意义。

基于人眼视觉规律的注视点分类及其在图像标注中的应用

针对现有眼动图像标注算法中停留在非目标上的注视点容易引入定位干扰,导致标注精度不高的问题,本文首先实验探索了标注任务中的眼动规律;然后提出将标注注视序列分为视觉搜索和视觉识别两个阶段,并设计了基于参数自适应DBSCAN算法的视觉搜索和视觉识别注视点分类方法,旨在将提取的识别注视点作为眼动图像标注算法的输入,提高标注结果的准确性;最后基于2014 DIMITRIOS P数据集开展实验对比与分析。实验结果表明,与现有相关算法相比,F1度量提升4%,算法运行效率提升了近1倍,眼动图像标注算法精度提高3.34%,满足稳定可靠、精度高、运行速度快等要求。