自定义聚类中心点的快速K-means聚类点云精简算法

针对传统K-means算法在随机选取聚类中心点出现聚类失败及点云数据重建时在相对平坦的区域出现孔洞的问题,提出一种GK-means的改进聚类算法对点云数据进行精简。该算法首先规定数值K作为最终聚类个数的限定,然后对选点策略进行改进,采用最远点采样选取聚类中心,对簇进行细分,计算所有点到聚类中心的欧氏距离,获取最小值所在的位置,放进最小距离所在的簇。实验结果表明:改进后的K-means算法能够使算法成功的概率提高且运行速度较快,对点云进行精简时,特征区域完整地保留了点云模型的细节特征,重建结果具有较高的光顺性。

K-means聚类精简点云驱动PointNet++的行星齿轮故障诊断

复杂装备的三维模型点云数据具有非结构化、无序性、离散性的特点,数据精简策略和深度神经网络模型构建被视为点云数据驱动的机械设备故障诊断关键技术难点。提出了一种K-means聚类(K均值聚类算法)精简点云驱动PointNet++的行星齿轮故障诊断方法。首先,提出了基于K-means的点云数据精简策略实现了在充分保留细节特征的前提下,精简84%的冗余数据;其次,构建了简度、速度、精度的精简效果三维评价指标体系并对精简算法进行评价;最后,构建了能够提取局部特征的PointNet++故障诊断模型。实验结果表明,相比于点云数据直接驱动PointNet++,K-means聚类精简点云驱动PointNet++的行星齿轮故障诊断的准确率提升了6.9%,表明了所提方法的有效性。

基于改进K-means算法的排水管网监测点位优化

为切实提高工程监测成效,合理利用资源,提出基于改进K-means算法的排水管网监测点布置优化方法。以华东区域H市排水管网为案例,以23个原始监测点的监测数据为基础,通过原始数据处理,BIRCH预聚类确定优化监测点个数和初步优化监测点,再用K-means聚类确定最终优化监测点后,输出16个保留监测点位。经验证,监测点优化后对H市排水管网的数据输出无影响。

The Asymptotic Property of Generalized Taylor Remainder "Mean Value Point"

This paper discussed asymptotic property of Taylor remainder 'mean value point' in normed Linear space. The asymptotic progerty of 'mean value point' is solved when f(n+i)(x0)h(n+i) = 0(i = 1, 2,..., p - 1) and f(n+p)(x0)h(h+p) don't exist. Meanwhile, achieve more general asymptotic estimation formula. Make many former results are just because of special case of the pager.

二分k-means锚点提取的快速谱聚类

光谱聚类(spectral clustering,SC)由于在无监督学习中的有效性而受到越来越多的关注。然而其计算复杂度高,不适用于处理大规模数据。近年来提出了许多基于锚点图方法来加速大规模光谱聚类,然而这些方法选取的锚点通常不能很好地体现原始数据的信息,从而导致聚类性能下降。为克服这些缺陷,提出了一种二分k-means锚点提取的快速谱聚类算法(fast spectral clustering algorithm based on anchor point extraction with bisecting kmeans,FCAPBK)。该方法利用二分k-means从原始数据中选取一些具有代表性的锚点,构建基于锚点的多层无核相似图;然后通过锚点与样本间的相似关系构造层次二部图。最后在5个基准数据集上分别进行实验验证,结果表明FCAPBK方法能够在较短的时间内获得良好的聚类性能。

基于Tukey规则与初始中心点优化的K⁃means聚类改进算法

针对K⁃means聚类算法存在的初始中心点选择及异常点、离群点极易影响聚类结果等待改进问题,提出了一个基于Tukey规则与优化初始中心点选择的K⁃means改进算法。该算法利用Tukey规则构造核心与非核心子集,将聚类过程划分成2个阶段。同时,在核心子集上执行中心点逐个递增优化选择策略,选出初始中心点。在来自UCI的20个数据集上聚类结果表明,本文提出的算法优于K⁃means++聚类算法,有效地提升了聚类性能。

基于k-means聚类点信息再分配的干旱危险性评价

针对当前常规干旱风险评价中评价指标权重分配方法差异性大、人为划分的风险等级主观性较强的问题,在改进常规客观赋权法的基础上,提出了一种基于k-means聚类点信息再分配的干旱危险性评价方法,并将其与基于综合客观赋权的常规评价方法一起运用于安徽省的干旱危险性评价,进行比较分析。结果表明:改进后的综合客观赋权能够进一步平衡熵权法与独立性权重法的计算结果,从而使指标权重更加合理;基于k-means聚类点信息再分配的干旱危险性评价方法相较于综合客观赋权法具有更合理的区分度,也更贴近实际;同时改善了传统聚类算法只能定性分析风险的缺陷。新方法进一步拓宽了干旱危险性的评价思路。

采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

STUDY ON MEAN ACTIVITY C0EFFICIENT OF 5,10,15,20—TETRAKIS PORPHYRIN SODIUM BY FREEZING—POINT DEPRESSION METHOD

The mean activity coefficient of 5, 10,15 , 20-tetrakis (P-methoxyl-O-sulfophenyl)porphyrin sodium in dilute aqueous solution has been determined in the modality range 0. 00547-0. 08871 mol · kg-1at 273. 2 K by the freezing-point depression method . The results of γ± are 0. 9945-0. 7695, it is in close agreement with that by isopiestic method.

面向大型数据集的局部敏感哈希K−means算法

大型数据集高效处理策略是煤矿安全监测智能化、采掘智能化等煤矿智能化建设的关键支撑。针对K−means算法面对大型数据集时聚类高效性及准确性不足的问题,提出了一种基于局部敏感哈希(LSH)的高效K−means聚类算法。基于LSH对抽样过程进行优化,提出了数据组构建算法LSH−G,将大型数据集合理划分为子数据组,并对数据集中的噪声点进行有效删除;基于LSH−G算法优化密度偏差抽样(DBS)算法中的子数据组划分过程,提出了数据组抽样算法LSH−GD,使样本集能更真实地反映原始数据集的分布规律;在此基础上,通过K−means算法对生成的样本集进行聚类,实现较低时间复杂度情况下从大型数据集中高效挖掘有效数据。实验结果表明:由10个AND操作与8个OR操作组成的级联组合为最优级联组合,得到的类中心误差平方和(SSEC)最小;在人工数据集上,与基于多层随机抽样(M−SRS)的K−means算法、基于DBS的K−means算法及基于网格密度偏差抽样(G−DBS)的K−means算法相比,基于LSH−GD的K−means算法在聚类准确性方面的平均提升幅度分别为56.63%、54.59%及25.34%,在聚类高效性方面的平均提升幅度分别为27.26%、16.81%及7.07%;在UCI标准数据集上,基于LSH−GD的K−means聚类算法获得的SSEC与CPU消耗时间(CPU−C)均为最优。

K-means聚类算法的优化研究

计算机网络技术日益成熟完善,大数据时代日新月异。每时每刻产生的大量数据信息也逐渐复杂,因此数据分析也越来越受到广大学者的关注。而聚类分析是数据挖掘中划分和分组的重要方法之一,在生物、医疗、机器学习、市场营销等诸多领域都得到广泛应用。K-means聚类算法作为一种可扩展性、高效性的聚类算法,在解决大规模数据聚类处理问题时有着独到的优势。基于此,该研究提出了一种针对K-means聚类算法肘点法中的先验性K值不准确的K值纠正优化算法。该算法结合了ISO-DATA算法原理,实现了在先验性K值的一定范围内根据数据集的特征利用多参数实现K值更准确的选择。

新时代大学生劳动教育的价值意蕴、现实困境和实践指向

对大学生开展劳动教育是中国特色社会主义教育制度的重要内容。作为建设社会主义现代化强国和实现中华民族伟大复兴的生力军,大学生能否成为“有理想、敢担当、能吃苦、肯奋斗”的新时代好青年,与劳动教育有着紧密的联系。当前,高校在贯彻落实劳动教育过程中面临着来自个体、家庭、社会以及学校自身等方面的挑战。应坚持系统观念,大学生个体的“意识扣”、家庭教育的“启蒙扣”、高校教育的“教育扣”、社会教育的“检验扣”要协同推进,方能取得实效。

基于优化初始类中心点的K-means改进算法

K-means算法是一种重要的聚类算法,在网络信息处理领域有着广泛的应用.由于K-means算法终止于一个局部最优状态,所以初始类中心点的选择会在很大程度上影响其聚类效果.提出了一种K-means算法的改进算法,首先探测数据集中的相对密集区域,再利用这些密集区域生成初始类中心点.该方法能够很好地排除类边缘点和噪声点的影响,并且能够适应数据集中各个实际类别密度分布不平衡的情况,最终获得较好的聚类效果.

植被密度对人工阶梯深潭掺气特性的影响研究

本研究通过在一个坡度为18.4°的矩形阶梯水槽,使用双头电阻式探针,系统测量了两种植被密度下人工阶梯深潭自上游清水区到下游掺气充分发展区的掺气特性。研究结果表明:与光滑台阶和阶梯深潭相比,植被阶梯深潭对掺气发生点的位置及水深几乎无影响,建立了掺气发生点水深的计算公式。断面平均空气浓度Ce在阶梯起点到与掺气发生点距离的2.5倍的区域内逐渐增加,之后达到恒定值;断面气泡个数最大值在阶梯起点到与掺气发生点距离的4.0倍的区域内逐渐增加,之后达到恒定值,这与断面平均掺气浓度的发展规律不相同;植被密度对气泡个数分布及演进变化规律几乎无影响。

基于MaxEnt的松墨天牛在中国的潜在分布及其对气候变化的响应

由于世界气候变暖而导致的害虫空间分布格局的巨大变化,增加了害虫预防难度。通过MaxEnt模型,结合GIS方法,模拟松墨天牛在中国的潜在分布区,预测、对比、分析松墨天牛在未来3种气候情景(RCP2.6、RCP4.5和RCP8.5)下分布范围和空间布局,及其中心节点移动的规律。结果表明:所有AUC值均超过0.95,准确性也处于“极好”的状态。在当前气候环境下,松墨天牛在中国的适生区范围为90°~125°E,20°~41°N,由西向东呈连续分布,集中分布于我国东南部;在未来气候条件下,中适生区面积减少,低适生区、高适生区面积增加,并向高纬度、高海拔地区扩散,RCP8.5扩散范围最大。适生区中心点向西北、东北方向迁移,迁移趋势在高浓度排放情景下(RCP 8.5)响应最为剧烈。为松墨天牛的合理区划提供了有效手段,为应对气候变暖提供了理论依据。

南海陆坡海底峡谷地形复杂度分析方法

地形复杂度指数是描述地形变化程度的综合指标,本文基于南海陆坡北港隆起区的水深网格数据,采用均值变点分析法确定地形起伏度的最佳统计单元,建立计算海底地形复杂度的模型,融合研究区坡度、地形起伏度、地表切割深度和高程变异系数4种地形因子,分析研究区的地形特征和地形复杂度。结果表明,研究区地形起伏度最佳分析窗口大小为19×19网格,最佳统计窗口面积为1.7689 km^(2);研究区北部及南部区域地形平坦,地形复杂程度较低,复杂度指数<2.35;中部区域存在规模不同的峡谷,地形复杂程度较高,复杂度指数平均>3.37,其中,中部偏东区域因海底峡谷最为发育,地形复杂度指数可达7.77。研究区地形复杂度的定量分析结果与海蚀作用的强弱程度呈现出较好的正相关性,这对系统开展南海海底峡谷形态特征及演化过程研究、维护海洋工程设施安全等具有重要借鉴意义。

基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值;通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法二聚类处理图像,采用制作的切割模板切割图像感兴趣区域,提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别;经实验对比证明,采用所提方法提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1 s,干扰下识别时间最高仅为15.1 s,验证了该方法可以快速且准确识别各个类型的交通标志。

基于佳点集与Leader方法的改进K-means聚类算法

针对传统K-means算法对初始点敏感的问题,采用数论中的佳点集理论结合Leader方法对K-means聚类算法加以改进,启发式地生成样本初始中心。根据两者不同的结合方式,所提算法分别称为KLG和KGL。佳点集理论能够产生比随机选取点更好的点,Leader方法则能反映数据对象本身的分布特性。结合佳点集理论和Leader方法各自的优点,能获得优化的初始中心。在UCI数据集上的实验表明,KLG算法和KGL算法所得到的结果均好于传统的和其他一些初始化的K-means算法。

一种分层Mean Shift目标跟踪算法

针对经典Mean shift(MS)目标跟踪算法的颜色特征鲁棒差、匹配迭代复杂的缺点,提出一种分层Mean shift (Hierarchical mean shift,HMS)目标跟踪算法.首先通过MS迭代将目标区域特征空间的数据点聚类于模式点,使得以简洁的方式描述前景跟踪目标,建立目标模型与目标候选模型的聚类模式点描述,进行聚类块匹配.然后,导出聚类块模式点匹配下的相似度量函数,进行像素点匹配,结合邻域一致性,计算像素平移量,分层估计序列帧中跟踪目标质心模式点的位置,并给出HMS匹配迭代跟踪算法.实验结果表明,与其他两种MS跟踪算法相比,HMS既能提高序列帧跟踪目标表达与匹配的鲁棒性,又无需匹配所有数据点,算法简洁且有效可行.

顾及杆状物和车道线的城市道路场景轻量化快速点云自动配准

针对激光扫描获取城市场景出现不同时期位置偏差,传统点云配准方法存在效率低和鲁棒性低等局限性,本文提出了顾及杆状物和车道线的点云配准改进方法。首先对滤波后的点云进行体素格网降采样,再利用布料模型滤波对地面点滤波,后使用K均值无监督分类非地面点云,后用先验的随机一致抽样法提取杆状物作为目标特征,并根据点云反射强度提出点云灰度图和空间密度分割法提取车道线。利用改进迭代最近点(ICP)算法和法向量约束,将杆状物作和车道线作为配准基元,几何一致算法剔除错误点对,并使用双向KD-tree快速对应特征点的关系,加快配准速度和提高精度。经实验证明,在低重叠度的城市点云场景耗时不到20 s,且只迭代20次,精度可达1.9877×10^(-5)m,可实现城市道路场景点云的高效准确配准。