基于Voronoi图和改进K-means的扇区优化研究

扇区划分是空中交通管制的一项重要工作,合理的扇区划分能够提高空域的使用率,保障航空器的飞行安全。鉴于平峰时段的扇区划设不能很好适用于复杂空情的现状,提出一种基于Voronoi图和改进K-means的扇区优化方法。依据空情态势构建冲突网络,结合航空器速度障碍关系和复杂网络理论提出了扇区综合管制负荷计量方式。依据负荷值采用改进K-means聚类方法确定了合理的聚类中心作为Voronoi图的生成元,从而使用Voronoi图的划分方法生成合理边界来优化扇区。采集厦门空域管制扇区数据作为仿真场景进行了计算分析,结果表明,在繁忙时段,优化后的扇区管制负荷平均方差相比原扇区降低了66.04%,平峰时段降低了13.88%,达到了均衡扇区负荷的目的,验证了扇区优化方法的有效性,为现有的扇区划设工作提供了参考依据。

烟草零售数据挖掘与聚类噪声消除方法研究

烟草零售环节积累了大量交易数据,但其中隐藏的有价值的信息还未被有效挖掘。本文针对某省烟草零售户卷烟进销存流水数据进行数据挖掘研究。在原始数据清洗和预处理之后,对于零售户分类中遇到的噪声数据,运用Kmeans算法进行聚类。对聚类中的噪声干扰,提出了离群点消除方法,将离群点划分到另外的Voronoi单元中,增强正常数据点的聚类有效性。该系统在营销实践过程中得以应用,证明了方法的有效性。

基于k阶Voronoi多边形划分的k阶数据场拟合

讨论了k阶Voronoi图的离散点集的生成算法,挖掘了k阶Voronoi图的性质并加以证明;参照k阶Voronoi图的定义提出了k阶空间数据场的定义,并结合参考点利用其影响因子给出了低阶空间数据场的拟合函数通式;利用k阶Voronoi图对平面空间的平面区域最近邻近划分实现了对空间数据场的分割,从而将大量参考点集数据场化解为多个单元数据场的低阶拟合,有效地降低了数据场拟合的难度;提出了合并拟合和叠加拟合策略,实现了将单元数据场综合为完整的空间数据场。

应用K-means聚类算法划分曲面及实验验证

针对大型覆盖件模具整体加工质量难以保证问题,采用曲面分片划分的方法,将所选曲面按照一定精度进行离散,通过求取离散点的几何参数和加工参数,将曲面进行粗略划分;采用K-means聚类算法进一步确定划分区域的曲面片数量和聚类中心数,利用Voronoi图算法提取曲面的边界;针对铝合金材料划分后的曲面的不同区域采用不同的加工方式进行加工,通过传统方法与曲面分片方法进行加工对比试验,验证提出方法的正确性及可行性。

考虑k阶邻近林木的混交度

【目的】为了解决现有混交度不能区分单一树种在不同行间混交方式中的隔离程度问题,提出考虑k阶邻近林木的混交度(Mk)。【方法】依据地物的邻近关系对空间进行剖分,以单株木视为平面点构建Voronoi图,基于Voronoi图建立对象木的k阶邻近关系。当k取1时,Mk与其他混交度的计算公式及计算结果完全一样;当k取2或更大值时,Mk采用1/k加权,与Mg,Mv,Mp和Mc采用相同的计算方法。以湖南福寿林场杉木人工纯林为研究对象,为了进行空间结构优化与调整,在幼龄林林分内补植了观光木和鹅掌楸,采取成片补植与2个树种交叉补植2种不同的空间配置补植方案,对比分析5种不同的混交度(Mg,Mv,Mp,Mc和Mk)。【结果】在"1+n"空间结构单元中,Mg和Mp不能区分观光木和鹅掌楸补植树种在不同补植方案中的混交度,其中Mg2种补植树种的混交度均为1,Mp2种补植树种的混交度均为0.539;Mv与Mc能够区分不同补植方案杉木林的混交度,成片补植方案中杉木的混交度依次为0.027和0.039,交叉补植方案中杉木的混交度为0.043和0.045,但不能区分补植树种的单木混交度。考虑k阶邻近林木的混交度把空间结构单元从"1+n"扩展到"1+n1+n2+…+nk",本文k取2,即空间结构单元为"1+n1+n2",Mk能够区分2种补植方案杉木林与补植树种的混交度,使用Mg的计算方法(Mkg),Mkg在成片补植方案中杉木、观光木和鹅掌楸的混交度为0.098,0.641,0.645,Mkg在交叉补植方案中杉木、观光木和鹅掌楸的混交度为0.101,0.652,0.655,交叉补植方案中杉木、观光木和鹅掌楸的混交度均大于成片补植方案中的混交度,使用Mkv,Mkp,Mkc计算方法,能够得到同样的规律。【结论】本文提出考虑k阶邻近林木的混交度Mk,其空间结构单元为"1+n1+n2+…+nk",空间结构单元的形式更多样,但混交度的计算更加复杂,区分度也更高,提高了单一树种混交度的区分度,能够解决1阶邻近不能区分的混交方式,可反映单木与林分的实际混交状况,为空间结构优化与调整时准确量化混交度提供了理论依据,能够更加准确地反映森林群落中树种相互隔离状况。

点状实体k阶Voronoi多边形的存在性判定

挖掘了点集的k阶Voronoi多边形的性质以及判断存在性的方法。在k阶Voronoi多边形的存在性方面,主要通过大量实验归纳与性质分析,提出了距离概率判断法、递归归纳判断法、最近邻近判断法、作用域阻隔判断法等多种方法,论述了分辨率与存在性的关系问题。

基于动态创建局部Voronoi图的连续近邻查询

在充分认识到k阶Voronoi图在解决连续k个近邻查询优越性和现实不可行性的基础上,用分支限界的思想去界定预创建Voronoi图生成点范围的上界,提出了一种动态地创建局部Voronoi图的办法解决连续近邻查询问题。该方法只是在给定查询段上所有点的k个近邻范围上界内创建一个局部的k阶Voronoi图,这样大大降低了基于Voronoi图的连续k近邻查询的代价。

紧急救援下障碍空间分析技术的应用

灾害紧急救援提出了对地理信息技术新的急迫要求:即动态GIS中的动态数据模型和"0"初始化计算问题,障碍空间路径规划问题、"安全岛"问题——障碍空间最大(小)间隙问题、与安全区的k阶邻近问题,本文给出了这些问题的解决途径和解算实例。

连续近邻查询方法的研究

连续近邻查询(CNN)要检索一给定查询线段上每一点的近邻。它是时空数据库中一种重要的查询类型,在智能交通系统中有着广泛的应用。Voronoi图解决连续近邻查询问题,思想简单明晰,但Voronoi图构造代价太高,尤其是高阶的Voronoi图。本文从文献得到启示:用分枝限界的思想去界定预创建Voronoi图生成点范围的上限。提出了一种动态地创建局部Voronoi图的办法解决连续近邻查询问题。这种方法只是在给定查询段上所有点的k个近邻范围上限内创建一个局部的k阶Voronoi图,这样会大大降低基于Voronoi图的连续k近邻查询的代价。

点集V图-K阶邻近并行搜索算法设计与实验

K阶邻近在空间层次聚类、空间邻近分析、DEM内插等方面有着广泛应用,然而传统的串行算法无法满足大规模数据集快速搜索K阶邻近的需求。该文在分析V图-K阶邻近串行搜索算法特点的基础上,提出了一种基于MPI的并行搜索算法——PVKN(Parallel Voronoi K-order Neighbors)算法,分别对V图构建和K阶邻近搜索进行并行化,并通过实验对算法进行测试。结果表明:当求解单源点目标的K阶邻近时,构建V图的时间远远大于搜索K阶邻近的用时,仅对构建V图过程进行并行化,即可获得良好的加速效果;当对多源点目标进行求解时,搜索K阶邻近的时间随着K阶数和源目标数的增加而增长,成为影响PVKN算法效率的主要因素,对K阶邻近搜索过程进行并行化,PVKN算法加速比可达5倍以上,能有效降低运行时间。

面向位置服务的K-Vretr隐私保护方法

针对K匿名、空间泛化等隐私保护方法中匿名区域受攻击造成用户隐私泄露的问题,提出一种基于K匿名机制的K-Vretr方法.首先,引入Voronoi图模型,利用离散的Voronoi图特性,分析同类信息点,生成K匿名集发送给LBS服务器;其次,定义关系矩阵,计算出用户位置与目标信息点之间的邻近关系;再次,应用二次剩余假设模型,确保用户目标信息点的查询隐私安全;最后,通过实验验证K-Vretr方法在满足l-多样性的同时,既增大了匿名空间,又减少了匿名时间,进而保证了安全性与匿名效率,有效防止了用户隐私的泄露.

基于空间近邻查询的移动医疗呼叫算法

随着大数据时代的到来,传统的计算机因为单机资源有限、运行速度慢、分布式处理支持差,已满足不了现行的医疗体系中的大数据处理需求,基于时空数据的移动医疗呼叫系统方法可以很好地解决这些问题。在移动云计算环境下研究k最近邻查询算法是当前一个热点问题,支持可扩展和分布式的空间数据索引对于kNN查询的效率影响很大,目前已有的查询算法不适合并行化或者会导致内容冗余。将MapReduce分布式处理技术与空间kNN查询方法相结合,设计可以快速检索到满足用户查询需求的医生位置信息的移动医疗呼叫算法。提出并构建了一个新的分布式空间数据索引方法:倒排Voronoi图索引,它将倒排索引和Voronoi图索引进行结合;提出了一种基于MapReduce的利用Voronoi图来处理kNN查询的高效算法,其在分布式环境下可以有效提高查询效率;用真实的和仿真的数据集来进行大量实验评估,实验结果表明所提出的方法具有良好的高效性和可扩展性。

空间数据库中的线段k近邻查询研究

K近邻查询是空间数据库中的重要查询之一,k近邻查询在内容的相似性检索、模式识别、地理信息系统中有重要应用。针对现有k近邻查询都是基于点查询的情况,提出基于平面线段的k近邻查询,查找线段集中给定查询点的k个最近线段。给出基于Voronoi图的线段k近邻查询算法及给出相关定理和证明。该算法通过线段Voronoi图的邻接特性找到一个候选集,然后从中找到最终结果。通过随机数据的实验证明,所提算法明显优于线性扫描算法和基于R树的k近邻查询算法。

K平面聚类算法的模糊改进及其鲁棒性研究

该文针对K平面聚类算法KPC(K-Plane Clustering)对噪声点敏感的缺陷,通过引入隶属度约束函数,推导出鲁棒的改进分割K平面聚类算法IFP-KPC(Improved Fuzzy Partitions for K-Plane Clustering),并利用Voronoi距离对IFP-KPC算法的鲁棒性进行了合理解释。实验结果表明IFP-KPC算法较之于KPC算法具有更好的聚类效果。

障碍空间中基于Voronoi图的组反k最近邻查询研究

为了解决已有研究成果无法有效处理障碍空间中的组反k最近邻查询问题,提出了障碍物环境中基于Voronoi图的OGRkNN查询方法,该方法获得的结果集是将一组查询点中任意一点作为障碍kNN的数据点集合,在实际应用中可以用来评估一组查询对象的影响力.依据障碍物集合是否发生变化提出了2种情况下的OGRkNN查询方法,一种是静态障碍物环境下的OGRkNN查询(简称STA_OGRkNN查询)方法,另一种是动态障碍物环境下的OGRkNN查询(简称DYN_OGRkNN查询)方法.其中STA_OGRkNN查询方法利用Voronoi图的邻接特性可以在剪枝阶段有效地过滤掉大量的非候选者,快速地缩小查询范围,提高整个算法的查询效率,在精炼阶段有效地提高了算法的准确性.进一步给出了3种情况下的DYN_OGRkNN查询方法,分别为障碍物动态增加情况下的OGRkNN查询算法、障碍物动态减少情况下的OGRkNN查询算法以及障碍物动态移动情况下的OGRkNN查询算法.理论研究和实验结果表明所提算法具有较高效率.

空间数据库中基于Voronoi图的组反k最近邻查询

为了改进现有的组反k最近邻查询算法的查询速度与准确度,提出了一种基于Voronoi图的组反k最近邻查询方法(group reverse k nearest neighbor guery method based on Voronoi diagram,V_GRk NN)。该方法获得的结果集是将这组查询点中任意一点作为kN N的数据点集合,在实际应用中可以用来评估一组查询对象的影响力。该方法的特点是首先对查询点集Q进行优化处理,降低查询点数量对查询效率的负面影响;接着对数据点集P进行约减,缩小查询搜索范围;然后根据基于Voronoi图的剪枝策略对候选集进行过滤;最后经过精炼获得GRk NN查询的结果集。该方法在数据集处理阶段很大程度上提高了查询速度,在过滤、精炼阶段利用Voronoi图的特性提高了查询的准确性。理论研究和实验表明,所提方法的效率明显优于可选的已有方法。

基于K路径算法的多无人机协同航迹规划

对于满足无人机团队中各机同时到达目标这样一个特定的协同要求,首先采用K路径算法实现了无人机的多航迹规划,然后采用速度控制和K路径算法相结合的办法实现了各无人机之间的时间协同。对整个协同航迹规划问题,采用一种分散式求解方法,把高维优化问题分解成低维、计算量小、通讯数据少的问题。

基于Voronoi图的内河船舶锚位面积计算方法研究

为了快速计算和分析锚泊船舶占用水域面情况,提出一种基于Voronoi图的内河船舶锚位面积计算方法。首先采用滑动窗口算法,识别预处理后的船舶轨迹数据得到具有锚泊状态船舶;其次结合K-means聚类算法对锚泊船舶轨迹数据聚类,得到聚类中心作为船舶锚泊位置;基于某一时刻船舶锚位记录数据构建对应锚泊船位点集,划分形成Voronoi区域并组合得到Voronoi图;最后计算每个Voronoi区域面积大小,提取得到锚地内船舶锚位面积数据。选取长江镇江段定易洲锚地作为研究区域进行实例计算,实验结果表明,利用该方法得到船舶锚位面积是可行的,该方法为合理规划锚位面积大小提供数据支撑,对加强锚地安全管理具有应用价值。

基于Voronoi-R~*的隐私保护路网k近邻查询方法

针对已有的保护位置隐私路网k近邻查询依赖可信匿名服务器造成的安全隐患,以及服务器端全局路网索引利用效率低的缺陷,提出基于路网局部索引机制的保护位置隐私路网近邻查询方法.查询客户端通过与LBS服务器的一轮通信获取局部路网信息,生成查询位置所在路段满足l-路段多样性的匿名查询序列,并将匿名查询序列提交LBS服务器,从而避免保护位置隐私查询对可信第三方服务器的依赖.在LBS服务器端,提出基于路网基本单元划分的分段式近邻查询处理策略,对频繁查询请求路网基本单元,构建基于路网泰森多边形和R*树的局部Vor-R^*索引结构,实现基于索引的快速查找.对非频繁请求路网基本单元,采用常规路网扩张查询处理.有效降低索引存储规模和基于全局索引进行无差异近邻查询的访问代价,在保证查询结果正确的同时,提高了LBS服务器端k近邻查询处理效率.理论分析和实验结果表明,所提方法在兼顾查询准确性的同时,有效地提高了查询处理效率.

不确定Voronoi图的概率阈值组k最近邻查询方法

针对现有不确定数据组最近邻查询的不足,提出基于不确定Voronoi图的概率阈值组k最近邻查询方法(PTGk NN方法),该方法分为三个阶段,分别是查询点处理阶段、过滤阶段和精炼阶段.在处理阶段,计算查询点集的中心q,过滤阶段通过剪枝方法去除不可能成为结果的数据点进而得到候选集合,精炼阶段计算候选集合中元素成为所求结果的概率值并将其与给定的阈值进行比较,从而得到查询结果集.实验验证表明,所提出的方法在概率阈值组k最近邻查询方面有明显的优势.