从不确定数据集中挖掘频繁Co-location模式

把挖掘频繁co-location模式的经典算法Join-based算法扩展到了UJoin-based算法,解决了从不确定数据集中挖掘频繁co-location模式的问题。针对UJoin-based算法中ED(expected distances)计算开销大的问题,介绍了两种剪枝技术:边界矩形剪枝技术和三角不等式剪枝技术,其中,在三角不等式剪枝部分,分别讨论了取1个锚点、5个锚点和9个锚点的不同情况。通过大量实验证明了剪枝策略有效避免了大量的ED计算,提高了算法的效率。

基于三角不等式原理的K-means加速算法

K-means聚类算法简单快速,应用极为广泛,但是当处理海量数据时,时间效率仍然有待提高。当一个数据点远离一个聚类时,就没必要计算这两者之间的精确距离,以确定该数据点不属于这个类。应用三角不等式原理对其进行了改进,避免了冗余的距离计算。实验结果表明,改进之后在速度上有很大程度的提高,数据规模越大,改进效果越明显,且聚类效果保持了原算法的准确性。

改进型RRT^(*)算法的水下机器人三维全局路径规划

由于传统快速扩展随机树的改进算法(RRT^(*))在处理自主式水下机器人三维路径规划问题时存在算法收敛速度慢、规划出的路径不平滑等问题,提出一种改进型NT-RRT^(*)算法(正态采样、三角裁剪的快速扩展随机树改进算法),利用正态分布的空间采样策略来代替RRT^(*)算法中的全局均匀随机采样,用来提高算法的收敛速度。此外,引入基于三角不等式的几何修剪算法,减少了随机树扩展过程中的节点和路径长度。在有地形障碍物和漂浮障碍物的三维水下环境进行仿真,仿真结果表明,改进后的算法在随机扩展中的节点数减少为原来的15%,算法规划时间缩短为原来的20%,规划出的路线长度约为原来的一半并且路径光滑、曲折性小,说明改进后的NT-RRT^(*)算法在收敛速度和路径长度上明显优于RRT^(*)算法。