近邻密度分布优化样本分配的改进DPC聚类算法

DPC算法是一种能够自动确定类簇数和类簇中心的新型密度聚类算法,但在样本分配策略上存在聚类质量不稳定的缺陷.其改进算法KNN-DPC虽然具有较好的聚类效果,但效率不高而影响实用.针对以上问题,文中提出了一种近邻密度分布优化的DPC算法.该算法在DPC算法搜索和发现样本的初始类簇中心的基础上,基于样本的密度分布采用两种样本类簇分配策略,依次将各样本分配到相应的类簇.理论分析和在经典人工数据集以及UCI真实数据集上的实验结果表明:文中提出的聚类算法能快速确定任意形状数据的类簇中心和有效地进行样本类簇分配;与DPC算法和KNN-DPC算法相比,文中算法在聚类效果与时间性能上有更好的平衡,聚类稳定性高,可适用于大规模数据集的自适应聚类分析.

基于DPC-SVDD的制造过程异常诊断

文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中。结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性。

基于DPC优化动态路由的胶囊网络算法

作为一种深度神经网络结构,与卷积神经网络(CNN)相比,胶囊网络可以建立不同特征之间的空间关系,具有更好地拟合特征的能力。但是,动态路由中原有的聚类算法对初始聚类中心的选择较为敏感。针对这一问题,使用密度峰值聚类(DPC)算法对原有的聚类算法进行优化,提出DPC-CapsNet模型,以提高动态路由算法的整体性能。基于TensorFlow框架的DPCCapsNet模型的实验结果表明,结合了DPC算法的胶囊网络结构在MNIST和Fashion-MNIST数据集上均具有较快的收敛速度,以及较高的分类准确率,证明了算法的有效性,同时也说明了胶囊网络在图像分类领域的应用潜力。

基于改进DPC近似的多子阵SAS距离多普勒算法

传统修正的偏置相位中心近似方法往往忽略距离历程近似误差的方位空变性,使得基于该方法的成像算法重建的图像出现近距离散焦和方位向偏移现象。为解决该问题,该文对修正的偏置相位中心近似方法进行改进,将双根号形式距离历程表示为类收发合置项、距离空变项和方位空变项之和的形式,有效提高了距离历程的近似精度;在利用驻定相位原理求取方位向驻定相位点的过程中,通过充分考虑距离历程方位空变性的影响,推导了更为精确的方位向驻定相位点,有效提高了点目标响应二维谱的准确性。在此基础上,提出一种适用于高分辨多子阵合成孔径声呐成像的距离多普勒算法,仿真试验和实测数据成像结果验证了该算法的有效性。

基于DPC算法与模块密度的改进Chameleon算法

本研究基于Chameleon算法结合DPC算法和模块密度函数,提出一种基于密度的层次聚类算法。在Chameleon算法第一阶段,引入DPC算法进行数据处理,在第二阶段,利用近似度函数进行子簇合并时,引入表征簇内数据点相似程度的函数——模块密度,当模块密度值最大时获得最终聚类结果。本算法利用上述方法建立动态模型,可自动确定终止条件,并且可以识别任意形状簇,克服了传统Chameleon算法无法找到聚类终点和对于初始参数设置敏感的问题。

复杂高维数据的密度峰值快速搜索聚类算法

机器学习的无监督聚类算法已被广泛应用于各种目标识别任务。基于密度峰值的快速搜索聚类算法(DPC)能快速有效地确定聚类中心点和类个数,但在处理复杂分布形状的数据和高维图像数据时仍存在聚类中心点不容易确定、类数偏少等问题。为了提高其处理复杂高维数据的鲁棒性,文中提出了一种基于学习特征表示的密度峰值快速搜索聚类算法(AE-MDPC)。该算法采用无监督的自动编码器(AutoEncoder)学出数据的最优特征表示,结合能刻画数据全局一致性的流形相似性,提高了同类数据间的紧致性和不同类数据间的分离性,促使潜在类中心点的密度值成为局部最大。在4个人工数据集和4个真实图像数据集上将AE-MDPC与经典的K-means,DBSCAN,DPC算法以及结合了PCA的DPC算法进行比较。实验结果表明,在外部评价指标聚类精度、内部评价指标调整互信息和调整兰德指数上,AE-MDPC的聚类性能优于对比算法,而且提供了更好的可视化性能。总之,基于特征表示学习且结合流形距离的AE-MDPC算法能有效地处理复杂流形数据和高维图像数据。

基于改进的密度峰值算法的K-means算法

针对传统K-means算法存在的随机选取初始聚类中心和类簇数目需要人为选定,从而导致聚类结果不稳定,容易陷入局部最优解的问题,文章提出了一种基于改进的密度峰值算法（DPC）的K-means算法,该算法首先采用改进的DPC算法来选取初始聚类中心,弥补了K-means算法初始聚类中心随机选取导致易陷入局部最优解的缺陷;其次运用K-means算法进行迭代,并且引入熵值法计算距离优化聚类。在UCI数据集上的实验表明,该算法得到较好的初始聚类中心和较稳定的聚类结果,并且收敛速度也较快,证明了该算法的可行性。

三相恒频PWM整流器的直接功率控制研究

提出了一种基于功率预测模型的三相PWM整流器控制策略。控制策略利用瞬时功率理论预测下一个固定周期内电路的有功和无功变化,直接求取整流器交流侧的电压矢量,并采用空间矢量调制方法来保证整流器工作频率的恒定。还对由于采样、实时计算等原因引起的延时对电路有功和无功的影响进行探讨,并给出了补偿方法。仿真结果验证了控制策略和补偿方法的有效性。

基于改进Kalman滤波的智慧社区居民定位

现如今智慧社区正在快速发展,各种公共设施及建筑的建设使得社区内环境复杂,影响着居民中弱势群体的安全.故实时的居民定位便格外重要.智慧定位作为精准化智慧服务之一,主要通过RFID技术实现社区内老幼等人群的轨迹跟踪,以进行安全保障.除此之外还可分析居民聚集场所趋势,为社区建设公共设施提出建议.本文针对RFID阅读器传播数据时被各种噪声影响导致的定位精度差、定位结果偏差等传统问题,引用了Kalman滤波消除信号传递过程中的过程噪声和观测噪声,在该算法中插入改进的密度聚类算法以消除环境噪声影响,设计了基于改进密度聚类算法的Kalman滤波轨迹定位方法 (Kalman filter for improved density peak clustering, K-IDPC).经实验验证,相对于Kalman滤波, K-IDPC的定位精度在0.565 m左右,准确度大幅提高.

基于加权共享近邻与累加序列的密度峰值算法

密度峰值聚类(DPC)算法在对密度分布差异较大的数据进行聚类时效果不佳,聚类结果受局部密度及其相对距离影响,且需要手动选取聚类中心,从而降低了算法的准确性与稳定性。为此,提出一种基于加权共享近邻与累加序列的密度峰值算法DPC-WSNN。基于加权共享近邻重新定义局部密度的计算方式,以避免截断距离选取不当对聚类效果的影响,同时有效处理不同类簇数据集分布不均的问题。在原有DPC算法决策值的基础上,生成一组累加序列,将累加序列的均值作为聚类中心和非聚类中心的临界点从而实现聚类中心的自动选取。利用人工合成数据集与UCI上的真实数据集测试与评估DPC-WSNN算法,并将其与FKNN-DPC、DPC、DBSCAN等算法进行比较,结果表明,DPC-WSNN算法具有更好的聚类表现,聚类准确率较高,鲁棒性较强。

基于子簇融合和线性判别分析的密度峰值聚类算法

密度峰值聚类(DPC)算法有能够发现非球形簇等优点。但在算法中,局部密度和最近邻距离计算易忽略样本间相关性,并且算法在高维数据集上聚类效果较差。针对上述问题,提出一种基于子簇融合和线性判别分析的DPC算法(SCF-LDA-DPC)。首先,引入样本间Pearson相关系数构造加权高斯核密度估计函数计算局部密度。其次,设计一种子簇融合策略,避免数据错误分配,优化算法容错性差缺陷。最后,引入LDA算法对高维数据降维,提高DPC算法鲁棒性和准确性。多个数据集实验结果表明:SCF-LDA-DPC算法在聚类精度和聚类性能方面明显优于其他优秀算法。

合成孔径声呐系统相位修正

提出了一种合成孔径声呐 ( SAS)系统相位误差的修正方法 ,即在数据预处理以前用一个相位相乘来对由 Stop- and- Hop假设和移位相位中心假设引入的系统相位误差进行修正。采用 ω- k算法对相位校正前后的点目标成像进行比较 ,结果表明 ,这种修正方法正确可行。

噪声背景下基于激光雷达点云数据的分裂导线自动提取与三维重建

提出了基于改进DPC算法的具有强抗噪性的分裂导线自动提取与三维重建方法。以噪声背景下的输电线路点云数据为分析对象,首先根据特征分析法滤除输电线路点云中的地物点和杆塔点,并采用K-MEANS聚类方法提取每根电力线点云;然后提出改进DPC算法实现分裂子导线点云的聚类和提取;最后采用最小二乘法实现各分裂子导线三维模型重建。并与K-MEANS算法的聚类结果进行了对比,证明了改进DPC算法的强抗噪性和鲁棒性。

调频连续波SAR方位多波束成像

调频连续波合成孔径雷达(FMCW SAR)结合了调频连续波和合成孔径雷达的双重优点,不但体积小、造价低廉,而且还可以高分辨率成像。在无人机和临近空间飞行器的应用方面前景广阔。对于常规SAR,方位分辨率和宽测绘带的矛盾限制了其更广泛的应用,且FMCW载波泄露问题影响其探测距离从而影响测绘带。为此,以距离多普勒成像算法为基础,探索使用多相位中心方位多波束技术实现FMCW SAR的高分辨率宽测绘带成像,最后通过仿真验证了方位多波束成像方法的有效性。

基于MM算法的脉冲串模糊函数设计方法

针对离散相位调制脉冲串信号的模糊函数优化问题,提出了一种基于MM算法的波形设计方法。MM算法是一种求解最优化问题的迭代算法,通过重复“构造辅助函数-求解辅助函数最优值”的过程,可以逐步逼近原问题的全局最优解。本文首先将脉冲串模糊函数设计问题建模为带约束四次型最优化问题,然后根据泰勒展开,给出了位于原函数上界的辅助函数的构造方法。其中,辅助函数的形式为带约束二次型最优化问题,可通过交替方向乘子法(ADMM)求解。最后通过计算机仿真说明了该方法的有效性。

融合了K近邻与密度峰值算法的K-means算法

初始聚类中心的随机选择,根据主观经验确定类簇数等问题时常伴随着原始K-means算法。为了攻克以上问题,改进算法采用峰值法以及融合了K近邻算法的密度峰值算法逐一调整。通过在UCI数据集上测试及与原始K-means算法、最大最小距离距离算法在准确率、稳定性和处理数据速率方面的比较,其中最为突出的是,改进算法的准确率达到了96%以上。

单相多电平级联H桥变流器的直接功率模型预测控制研究

传统的电力机车交流传动系统先采用工频牵引变压器将接触网上25 kV交流电压降低后,再进行交—直—交变流。为了避免使用笨重、体积大且昂贵的牵引变压器,将试图采用单相多电平级联H桥变流器代替传统的脉冲整流器。文章以单相七电平级联H桥变流器为研究对象,研究PI-DPC控制算法,并对此进行计算机仿真。

基于密度峰值聚类方法的多准则ABC库存分类模型

对于ABC库存分类管理的多准则优化问题,已有多种分类模型被提出,其中无监督机器学习方法具有吸引人的理论和实践特性,最大优点是不涉及主观性。在平均单位成本、全年货币使用量和提前期这三种库存决策要素的基础上,提出一个基于密度峰值聚类方法的多准则ABC库存分类模型。使用DPC模型和K-Means 模型对由47个库存单位组成的标准数据集进行聚类分类,利用成本-服务绩效方法将DPC模型、K-Means 模型和GMM模型分类结果进行比较分析。研究结果表明,在成本-服务绩效方面,DPC模型优于K-Means 模型和GMM模型,同时发现这三个无监督聚类模型分类结果优于使用同一数据集的几种数学规划模型。

基于功率预测模型的单相PWM整流器直接功率控制

提出一种基于功率预测模型的单相PWM整流器控制策略.该控制策略通过构造与网侧电压、电流正交的虚拟电压、电流分量来形成-坐标系;在采用瞬时功率理论及功率预测算法获得电路有、无功变化量的基础上,推导了整流器交流侧的电压控制矢量,并采用单极性调制方法来保证整流器工作频率的恒定;由于取消了电流调节内环,该控制策略具有控制系统设计简单、电路抗扰动能力强、系统动态过程短等特性.仿真结果验证了所提出的控制策略的有效性.

云偏振遥感综述

云是指停留在大气层中的水滴或冰晶胶体的集合体,也是地球上庞大水循环产生的有形结果,在全球气候中扮演着重要的角色。偏振遥感对光的辐射强度、方向、相位以及偏振状态等波谱特性进行描述,丰富了观测信息量,提升了观测信息的维度。为了更好地了解偏振遥感云的优势,本文对国际上发射的POLDER、APS、DPC等标志性的偏振传感器的特征和云反演算法进展进行了总结,涉及到相关偏振载荷参数信息、云参量算法的介绍和产品等相关内容,并就经典偏振云参量算法做了详细的总结和评价。随着国际上后续偏振传感器快速增加,对未来偏振传感器的发展方向和相关算法进行了展望。