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。

无线传感器网络中DPC安全定位算法研究

在资源受限的无线传感器网络中,如何安全、有效地获取节点位置信息是一个极具挑战性的问题,通过对多种安全定位算法分析,提出了一种分散式的基于RSSI测距的DPC安全定位算法,算法应用测量一致性以及测量与计算一致性原理检测并滤除多种恶意攻击生成的虚节点,而且算法没有设计中心节点,所有的正常节点都参与安全定位算法,对算法性能的讨论以及实验结果表明,在噪声环境和虚节点较多的情况下,DPC算法仍然有很高的效率,并能应对多种恶意攻击。

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。

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。

广义预测控制算法鲁棒性的频域分析

通过对广义预测控制算法的结构分解，建立了在频域分析ＧＰＣ算法稳定鲁棒性的方法，并证明了广义预测控制器在满足一定的边界条件下，如果能使系统开环稳定，则必能使系统闭环稳定．最后由仿真结果进一步说明了结论的正确性．

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。

采用级联H桥多电平变流器的地面过电分相系统

为彻底消除牵引供电系统中电分相对电力机车及牵引供电系统的不利影响,在无断电过电分相方案的基础上,提出采用级联H桥多电平变流器的地面过电分相系统。该系统利用功率前馈直接功率控制(DPC)算法,实现电力机车所需功率在接触网供电臂与中性段之间的可控切换;利用二阶广义积分器—锁相环重构电压信号的方法,实现列车运行于中性段时相邻两接触网供电臂间供电电压和相位的柔性切换。基于Matlab/Simulink软件建立级联H桥多电平变流器的地面过电分相系统仿真平台,模拟列车满功率牵引通过该系统的过程,结果表明该系统可以实现列车带载通过电分相,并且对牵引供电系统和电力机车均无冲击。

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。