基于最短路径相似度的复杂网社团识别算法

基于最短路径的思想,定义新的节点相似度,利用谱平分算法来识别复杂网络的社团结构.首先根据节点间最短路径的思想计算改进的共享最近邻(SNN)相似度,将其标准化后求出标准化矩阵的特征值及特征向量,然后根据网络选取一定数目的第一非平凡特征向量作为聚类样本,利用FCM算法可识别网络的社团.实验结果表明,该算法对于社团结构不明显的网络划分效果很好.

基于动态网格密度的SNN聚类的ET-GM-PHD滤波算法

针对不同扩展目标产生的量测密度差异较大时,多扩展目标高斯混合概率假设密度(ET-GM-PHD)量测集划分困难,计算量繁重的问题,提出了一种基于动态网格密度的SNN相似度的量测划分算法。首先利用动态网格技术对量测数据进行预处理,减小量测中的杂波干扰;而后采用共享最近邻(SNN)相似度对处理后的观测值进行量测划分。经过仿真结果分析,文中提出的算法相较于传统算法,减少了运行时间,提升了跟踪的稳定性。

基于SNN-AP聚类的扩展目标量测集划分方法

针对杂波环境下且量测密度差别较大的多扩展目标量测集划分问题,引入近邻传播聚类技术,提出了一种新的量测集划分算法。该算法首先采用局部异常因子检测对量测为杂波的程度进行度量,通过设定阈值的方法进行杂波滤除;同时对于目标量测密度差别较大的问题,引入一种基于共享最近邻的相似度度量方法;考虑了周围量测的影响,通过迭代传递两个信息量逐步寻找聚类中心,避免了对初始聚类个数的选择。仿真实验表明,与传统量测集划分算法相比,所提算法在保证扩展目标跟踪性能的同时,有效减少了算法的运算时间。

一种基于谱平分法的社团划分算法

基于改进的SNN相似度矩阵与谱平分法,提出了一种寻找复杂网络社团结构的算法。首先计算出网络中各节点之间改进的SNN矩阵并将其标准化,求得该矩阵的特征值及特征向量。然后分别选取不同数目的第一非平凡特征向量作为聚类样本,利用FCM聚类算法对节点进行分类,并计算出每次分类结果所对应的模块度Q值。Q的最大值对应的社团结构即为最佳的网络社团结构。一些实验测试了该方法的可行性,通过与其它方法的结果进行比较,可知该算法划分社团的准确率较高。

多扩展目标滤波器的量测集划分算法

针对不同扩展目标产生的量测密度差别较大时的量测集划分问题,为扩展目标概率假设密度(PHD)滤波器提出了一种基于共享最近邻(SNN)相似度的量测集划分算法。量测间的SNN相似度可体现量测在量测空间局部分布情况,考虑了量测周围的量测信息,因此提出的SNN相似度划分法能够较好地划分量测密度差别较大的量测集,进而提高了扩展目标的跟踪性能,且基于提出的划分算法的PHD滤波器计算量也所减少。

基于spark框架的DBSCAN文本聚类算法

针对DBSCAN算法性能上的瓶颈以及内存和I/O上的消耗严重,提出了一种大数据计算框架的并行聚类方案.选用Spark计算框架对DBSCAN算法进行并行化改进,利用SNN相似度图解决DBSCAN算法对高维数据密度定义模糊的问题,并且将DBSCAN算法运行在spark计算平台上,缓解了内存的不足.实验结果证明,该解决方案相对于单机的DBSCAN算法,聚类精度没有下降,并且通过横向的添加节点增加了运行内存,在缓解内存紧张的前提下降低了算法运行时间,和基于Hadoop的DBSCAN算法相比也有较好的加速比.

基于改进JP算法的激光雷达可行驶区域检测

无人驾驶车辆对前方道路信息检测时,传统的基于欧式距离的密度聚类算法在计算密度不均匀的激光雷达数据时,在搜索精度和效率上存在一定的局限性。针对这一问题,提出一种改进的Jarvis-Patrick(JP)聚类算法。该算法通过k近邻(k-nearest neighbor)和共享最近邻SNN(Shared Nearest Neighbor)相似度间的关系来度量数据的局部密度选出代表点,对数据密度的变化具有伸缩性从而增加了算法的搜索速度和精度。对改进JP算法聚类后的簇进行评估,在道路边沿簇中使用随机抽样一致性算法(RANSAC)对两侧道路边沿点进行拟合。经实车实验表明,改进后的JP算法时间消耗上降低了32.6%,对被遮挡的道路边界及可行驶区域内障碍物检测精度均有提高。