模糊拓扑空间的m-收敛理论

本文在模糊拓扑空间中引进了模糊网和模糊滤子的ｍ收敛概念，探讨了模糊网的ｍ收敛与模糊滤子的ｍ收敛之间的关系，得到了Ｈａｕｓｄｏｒｆ拓扑与模糊网的ｍ收敛和模糊滤子的ｍ收敛之间的关系以及刻画Ｈａｕｓｄｏｒｆ拓扑几何特征的定理。

L-Fuzzy近似紧集

给出了３种Ｌ－Ｆｕｚｚｙ近似紧集的定义，并得出它们的两个等价条件、同时证明了它们都是Ｌ－好的推广、最后研究了近似良紧集的若干性质．

Lf-uzzy拓扑空间中的近似强F紧性

在LF拓扑空间中较系统地研究了近似强F紧性的特征及其拓扑性质,并讨论了近似强F紧性与强F紧性之间的关系.证明了近似强F紧性所具有的一些好的性质,比如它是正则闭遗传的,Thxohob乘积定理成立等等.

机器学习算法在5G网络分流提升中的应用

为提升5G网络分流能力,文章利用机器学习算法精准识别目标场景客户及高价值小区。一是利用XGBoost算法预测潜在5G终端客户,助力5G终端精准营销;二是利用K-M聚类算法细分客户群体特征,加速高价值客户向5G网络迁转;三是基于POI点密度及客户价值DBSCAN聚类输出高价值小区。应用结果表明:5G分流比由1.92%提升至26.26%,具有应用推广意义。

超体素约简和谱聚类结合的机载LiDAR点云单木分割

为提高机载LiDAR点云数据的单木分割精度和效率,本文提出了一种基于Nyström的谱聚类算法。该算法基于谱聚类方法,同时引入了mean shift体素化和Nyström方法,在保持谱聚类算法优越表现的同时,大幅降低了谱聚类算法的空间和时间复杂度。首先,用mean shift方法将点云数据转换到体素空间以合理压缩数据量,使用带有体素权重的高斯相似度函数在体素空间中构造相似图。然后,使用Nyström方法计算相似度矩阵的近似特征向量和特征值。接下来,使用K-means方法在特征空间中进行聚类,并将结果映射回原始点集以获得单木的聚类点。最后,直接从单木聚类中获取单木参数。在黑龙江省孟家岗林场的实验结果表明:本算法有效改进了谱聚类算法,以牺牲5%的分割精度为代价将分割效率提升了约96倍;与K-means方法相比,本算法在分割精度和计算效率方面均表现更优;从分割结果中提取的树高参数具有较高的精度,R2和RMSE值分别为0.86和1.62 m。本文提出的基于Nyström的谱聚类算法是一种有效的机载LiDAR点云分割方法,可以用来进行单木点云分割和单木因子提取。