基于改进DBSCAN的船舶会遇识别模型

为解决大数据下船舶会遇识别算法效率不高且存在误判等问题,提出一种融合国际海上避碰规则(International Regulations for Preventing Collisions at Sea,COLREGs)的带噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法,建立船舶会遇识别模型。在DBSCAN算法对邻域内的船舶数量进行统计时,计算船舶间的最近会遇距离(distance to closest point of approach,DCPA)和最近会遇时间(time to closest point of approach,TCPA),初步筛选邻域内的噪声点;基于模糊综合评价模型计算船舶会遇风险,对邻域内的船舶进行二次筛选,实现船舶会遇态势的提取。结果表明:改进后的DBSCAN算法过滤掉传统DBSCAN算法识别到的非会遇局面,并且在同一会遇局面下的船舶数量均保持在4艘以内;输出的会遇船舶风险演变趋势对实际水域内高风险船舶的监控适用性较好,能有效辅助船舶避碰。所提识别模型对保障航行安全和提高海事监管效率具有重要意义。

基于EOF-DBSCAN-GRU的分布式光伏集群出力预测方法研究

提出一种基于EOF-DBSCAN划分集群的改进统计升尺度的光伏集群出力预测建模方法。针对传统统计升尺度方法子集群中光伏电站出力特性不一致问题,通过皮尔逊相关系数和经验正交函数(EOF)优化特征空间,再根据密度聚类模型(DBSCAN)对区域内光伏电站划分集群,从而增强光伏电站聚类后集群出力特性的一致性。针对待预测日权重系数时间序列动态特性的提取、预测问题,提出一种基于动态时间规整(DTW)的相似日选取算法。最后利用循环神经网络(GRU)模型进行光伏电站出力预测。实验表明该集群预测方法的平均误差百分数(MAPE)约为6.33%,均方根误差(RMSE)约为13.93 kW,均方误差(MSE)为194.25 kW,通过实际光伏电站数据证明了所提方法的准确性和有效性。

基于DBSCAN算法的树木分割与应用

为快速准确地提取地面三维激光扫描仪获取林分点云中的单株树木点云,提出一种基于密度的抗噪空间聚类(Density-Based Spatial Clustering of Application with Noise,DBSCAN)的树木分割算法。首先采用高斯滤波对林分点云去噪,在林分点云归一化的基础上对林分点云垂直分段,然后采用DBSCAN算法垂直分段聚类,再计算每个垂直分段中每个簇的中心点,根据簇中心点间的距离判定簇间的相邻关系,并由此匹配树干段点云,最后采用RANSAC(Random Sample Consensus)算法对树干段点云拟合直线,并根据点与拟合直线间的距离判定点的归属以实现树木分割。在郁闭度分别为中与高的林分中,所提算法的调和值F范围分别为0.88~0.99与0.72~0.74,基于距离判别的树木分割算法的F范围分别为0.84~0.90与0.73~0.79。所提算法在不同郁闭度的林分点云中均能有效分割单株树木点云,特别是在郁闭度为中的林分中有较好表现,可实现对林分点云的精确树木分割。

基于DBSCAN聚类算法的毕星团成员星辨认

疏散星团[1]在天文学和天文物理学的研究中至关重要,对其成员星的正确判断是所有研究工作的基础。成员星识别的可靠性随着天体测量技术的不断发展,而变得愈发重要。本文运用DBSCAN聚类算法,实现毕星团成员星认定问题的分析与研究。通过色指数与温度公式求出各个侯选星成员星的温度。以绝对星等为纵坐标,将其成员星的赫罗图作为恒星表面温度的横坐标,对筛选出的毕星团成员星体绘制了一幅赫罗图。

基于DBSCAN-GRU算法的终端区4D航迹预测

终端区空域环境复杂、航班密集,精确的航迹预测能极大地提高空中交通服务水平,保障航班飞行安全。针对终端区的高精度多航班4D航迹预测问题,本文提出了一种基于密度的带噪声空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和门控循环单元(Gated Recurrent Unit,GRU)相结合的航迹预测方法,通过DBSCAN聚类,将终端区中航迹相近的航班聚类到一簇中,对每一簇航班建立基于GRU神经网络的航迹预测模型,对终端区航班进行预测时,先判断该航班属于哪一簇,然后采用与该簇对应的航迹预测模型,进行4D航迹预测。与仅研究单一航班的传统预测方法相比,本算法有效地利用了终端区的航迹数据,所建模型可以针对多架航班进行航迹预测,扩大了模型的适用范围,提高了航迹预测的预测精度。

基于RAPIDS的无参DBSCAN算法

具有噪声的基于密度的空间聚类(Density‑based spatial clustering of applications with noise,DBSCAN)能够发现不同密度和大小的类簇,对噪声也有很好的鲁棒性,被广泛地应用到数据挖掘的任务中。DBSCAN通常需要调整参数MinPts和Eps以达到更优的聚类效果,但往往在搜索最优参数的过程中会影响DBSCAN的性能。本文从两个方面优化DBSCAN,一方面,提出一种无参的方法优化DBSCAN全局参数选择。无参方法利用自然最近邻获得数据集的自然特征值,并将自然特征值作为参数MinPts值。然后,根据自然特征值计算自然特征集合,利用自然特征集合中的数据分布特性,分别采取统计最小值、平均值和最大值3种方式得到Eps值。另一方面,采用集成数据科学实时加速平台(Real‑time acceleration platform for integrated data science,RAPIDS)的图形处理器(Graphics processing unit,GPU)计算加快DBSCAN算法的收敛速度。实验结果表明,本文提出的方法在优化DBSCAN参数选择的同时,取得了与密度峰值聚类(Density peaks clustering,DPC)相当的聚类结果。

A heuristic clustering algorithm based on high density-connected partitions

Clustering data with varying densities and complicated structures is important,while many existing clustering algorithms face difficulties for this problem. The reason is that varying densities and complicated structure make single algorithms perform badly for different parts of data. More intensive parts are assumed to have more information probably,an algorithm clustering from high density part is proposed,which begins from a tiny distance to find the highest density-connected partition and form corresponding super cores,then distance is iteratively increased by a global heuristic method to cluster parts with different densities. Mean of silhouette coefficient indicates the cluster performance. Denoising function is implemented to eliminate influence of noise and outliers. Many challenging experiments indicate that the algorithm has good performance on data with widely varying densities and extremely complex structures. It decides the optimal number of clusters automatically.Background knowledge is not needed and parameters tuning is easy. It is robust against noise and outliers.

基于DBSCAN聚类的热能发电大数据异常检测模型

为了解决热能发电大数据异常检测时,存在误报率高、检测率低和漏报率高的问题,提出了基于DBSCAN聚类的热能发电大数据异常检测模型。首先通过时间序列模型对原始发电大数据进行异常值修正,然后将修正后的数据归一化处理,最后基于Spark Streaming设计Streaming DBSCAN算法,结合历史数据和相似发电厂数据的聚类特征,完成热能发电异常数据的检测。实验结果表明,所提方法可以有效降低误报率和漏报率、提高检测率并准确地获取异常值。

利用DBSCAN和概率密度估计的欠定盲源分离混合矩阵估计

针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类(combining density-based spatial clustering of application with noise,DBSCAN)和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。

Spatial Distribution Pattern and Influencing Factors of Physical Bookstores of Large Cities:A Case Study of Three National Central Cities in Western China

As cultural facilities,physical bookstore is an important part of urban infrastructure.Influenced by the development of social economy and the internet,physical bookstores also have become a combination of cultural space and tourism experience.In this case,it is necessary to explore the spatial characteristics and influencing factors of physical bookstores.This study uses Density-Based Spatial Clustering of Applications with Noise(DBSCAN),spatial analysis and geographical detectors to calculate the spatial distribution pattern and factors influencing physical bookstores in national central cities/municipality(hereafter using cities)in western China.Based on spatial data,population density,road density and other data,this study constructed a data set of the influencing factors of physical bookstores,consisting of 11 factors along 6 dimensions for 3 national central cities in western China.The results are as follows:first,the spatial distribution pattern of physical bookstores in Xi’an,Chengdu,and Chongqing is unbalanced.The spatial distribution of physical bookstores in Xi’an and Chongqing is from southwest to northeast and are relatively clustered,while those in Chengdu are relatively discrete.Second,the spatial distribution pattern of physical bookstores has been formed under the influence of different factors.The intensity and significance of influencing factors differ in the case cities.However,in general,the social factor,business factor,the density of research facilities,tourism factor and road density are the main driving factors in the three cities.There is a synergistic relationship between public libraries and physical bookstores.Third,the explanatory power becomes stronger after the interaction between various factors.In Xi’an and Chengdu,the density of communities and the density of research facilities have stronger explanatory power for the dependent variable after interacting with other factors.However,in Chongqing,the traffic factors have stronger explanatory power for the dependent variable after interacting with other factors.The results could provide a practical reference for the sustainable development of physical bookstores and encourage a love of reading among the public.

融合DBSCAN多测点算法的磁方位校正

单测点校正法计算复杂、不稳定、误差较大,无法满足井下地磁方位角的精度要求。基于间接单测点分析法和Brooks多测点分析法,提出一种新方法,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法识别并剔除噪声,采用椭圆校正法校正径向干扰,轴向干扰则由单轴多测点分析法校正。实验证明:改进多测点法不仅可以进一步提高椭圆校正的拟合效果,还能降低噪声对参考点计算值的影响,计算得到的方差曲线收敛性更强、更稳定,校正后方位角误差进一步降低。

由VMD与DBSCAN在线检测锂离子电池热失控

热失控影响锂离子电池系统的推广和应用。为预测锂离子电池系统的热失控,提出基于变分模态分解(VMD)与密度的噪声空间聚类(DBSCAN)算法的热失控在线检测方法。针对实际热失控案例,结合VMD与滑动窗口,在线分解窗口内各电池的电压信号,得到电压稳态分量;之后,提取各电池稳态分量与稳态分量均值的标准化皮尔逊相关系数,以及余弦相似度,并构建二维特征矩阵;最后,由DBSCAN自动辨识电池组中的故障电池,最早可在热失控前111 s检测出电压异常。

基于DBSCAN算法的海战场环境下目标分群

针对海战场环境下态势评估中目标数量多、类型复杂多样的问题,首先引入数据聚类对态势评估的目标分群环节进行聚类分群,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的密度聚类,可聚类任意形状的数据簇,遍历性好,能够对战场环境下目标进行全面合理的分群;然后,给出了算法计算的基本步骤,并利用算例对已知战场态势的目标群进行正确性验证;最后,将该算法与基于划分的K-means算法、基于层次的AGNES(AGglomerative NESting)算法进行了对比分析,证明了该算法的有效性和合理性。

改进DBSCAN算法下的轨迹点到充电站位置的探测方法

在当前新能源汽车快速发展的背景下,针对相关充电设施位置信息更新缓慢等问题,如何通过第三方数据得到工作状态正常的充电站点分布具有重要意义。本文分析了新能源汽车充电停留轨迹数据的典型特征,并基于这些特征构建了时空关联静动(Stop/Move)模型。利用新能源汽车轨迹数据作为数据源,采用具有噪声的基于密度的聚类(DBSCAN)算法来检测满足充电停留点的点簇,并进一步探测充电站的位置。同时,针对DBSCAN算法具有高时间复杂度的问题,通过构建K维空间树(KD树)数据结构提高了算法执行效率;针对不同参数会影响DBSCAN算法聚类结果的问题,运用邻域参数自适应优化方法提升了轨迹点的聚类效果。利用深圳市的新能源车轨迹数据进行实验分析,结果表明,相比原始DBSCAN算法和k均值聚类(K-MEANS)算法,改进DBSCAN算法提高了算法执行效率,对真实充电站点探测成功率较高。

结合载客热点和POI的出租车停车位划定方法

针对出租车随意停靠造成城市交通拥堵甚至交通事故的问题,利用成都实际区域的出租车GPS(Global Position System)数据和爬取的POI(Point of Interest)数据,使用DBSCAN(Density-Based Spatial Clustering of Application with Noise)聚类算法对上下客点进行聚类,得到出租车的载客热点,根据POI的类型划定载客热点区域的类型,对出租车不同时间的出行需求进行分析,进而划分出出租车的固定停车区域。研究结果表明,出租车固定停车区域的设定与出行者的出行需求有关,即将固定停车区域设置在出行者出行需求多的区域,可以满足出行者的不同出行需求。结合出租车载客热点和爬取POI数据划定固定停车区域的方法具有较高的实用性,可为城市交通安全方面提供理论和现实意义。

基于DBSCAN算法的郑洛地区史前聚落遗址聚类分析

为了解决判别聚落群过于依赖考古专家人工划分的问题,以郑洛地区新石器时代聚落遗址为例,采用基于密度的DBSCAN(density-based spatial clustering of applications with noise)算法对聚落遗址进行空间聚类研究。通过对郑洛地区四个文化时期聚落遗址的分布分析,发现郑洛地区的主体聚落群从研究区东部的嵩山以南地区,转移到郑洛地区中部的伊洛河流域,并且在伊洛河流域长期定居下来,不断发展扩大;大型聚落遗址主要分布在主体聚落群里,除了裴李岗文化时期部分大型聚落较孤立;从仰韶文化后期到龙山文化时期,聚落遗址分布呈主从式环状分布格局;大多数聚落群的走向都和河流分布一致。研究表明,利用DBSCAN算法进行聚落遗址聚类是可行的,通过聚类得到郑洛地区新石器时代四个文化时期聚落遗址的分布特征。

基于网格单元的DBSCAN算法

针对DBSCAN算法时间开销大的缺点,提出了基于网格单元的DBSCAN算法,通过对数据空间进行网格单元划分来优化DBSCAN算法中最耗时的区域查询过程,省去了大量不必要的查询操作,并分析了网格单元的划分方式对本文算法的影响,通过选取最优划分方式,提高整个算法的运行效率。通过仿真实验,验证了基于网格单元的DBSCAN算法具有较高的准确率和较低的时间复杂度。

DBSCAN算法中参数的自适应确定

DBSCAN算法需要人为确定Eps和min Pts两个参数,导致聚类结果的准确度直接取决于用户对参数的选择,因此提出一种新的参数确定方法,采用非参数核密度估计理论分析数据样本的分布特征来自动确定Eps和min Pts参数,避免了聚类过程的人工干预,实现聚类过程的自动化。理论分析和实验结果表明,该方法能够选择合理的Eps和min Pts参数,并得到了较高准确度的聚类结果。

基于DBSCAN子空间匹配的蜂窝网室内指纹定位算法

针对无线信道动态衰落特性引起的蜂窝网室内定位误差较大的问题,该文提出基于密度的空间聚类(Density Based Spatial Clustering of Applications with Noise,DBSCAN)子空间匹配算法,有效剔除大误差点,提高定位精度。首先通过划分信号空间,构建多个子空间,在子空间中利用加权K近邻匹配算法(Weighted K Nearest Neighbor,WKNN)估计出目标位置;然后利用DBSCAN对估计位置进行聚类以剔除异常点;最后结合概率模型确定最终估计位置。实验结果表明,基于DBSCAN的子空间匹配算法能有效剔除大误差点,提高蜂窝网室内定位系统的整体性能。

基于密度的DBSCAN聚类算法的研究及应用

首先对DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法进行了深入研究,分析了它的特点、存在的问题及改进思想,提出了基于DBSCAN方法的交通事故多发点段的排查方法及其改进思路,并且给出了实例以说明处理过程及可行性。实验结果表明本文提出的方法可以大大提高交通事故黑点排查效率。