粒子群K-Medoids带障碍约束空间聚类分析研究

空间聚类分析是空间数据挖掘研究领域中的一个重要研究课题.传统聚类算法忽略了真实世界中许多约束条件的存在,而约束条件的存在会影响聚类结果的合理性.本文在分析粒子群优化算法和划分算法的基础上,研究一种基于粒子群和划分相结合的带障碍约束空间聚类分析方法,设计了一个粒子群K-Medoids带障碍约束空间聚类分析算法.对比实验表明,该方法不仅兼顾了局部收敛和全局收敛性能,又充分考虑到了现实障碍物对聚类结果的影响,使得聚类结果更具实际意义.与遗传K-Medoids带障碍约束空间聚类分析相比,该方法具有更好的可伸缩性,且所需输入的参数相对较少,更适合于对聚类速度要求较高的动态约束条件场合.     

带障碍约束的遗传K中心空间聚类分析

空间聚类分析是空间数据挖掘中的一个重要研究课题。传统聚类算法忽略了真实世界中许多约束条件的存在，而约束条件的存在会影响聚类结果的合理性。讨论了带障碍约束的空间聚类问题，研究了一种基于遗传和划分相结合的带障碍约束空间数据聚类分析方法，设计了一个带障碍约束的遗传K中心空间聚类分析算法。对比实验表明，该方法兼顾了局部收敛和全局收敛性能，考虑到了现实障碍物对聚类结果的影响，使得聚类结果更具有实际意义，其结果优于传统K中心聚类及单纯的遗传聚类，不足之处是其计算速度相对较慢。     

一种处理障碍约束的基于密度的空间聚类算法

在现有的基于障碍约束的空间聚类算法COD_CLARANS、DBCLuC、AUTOCLUST+和DBRS+的基础上，提出了一种新的基于密度的空间聚类算法——基于障碍距离的密度聚类算法（DBCOD）。该算法在DBCLuC算法的基础上，采用障碍距离代替欧几里得距离作为相异度的度量标准，并在预处理过程中用障碍多边形合并化简方法来提高障碍物的处理效率。仿真实验结果表明，DBCOD算法不仅具有密度聚类算法的优点，而且聚类结果比传统基于障碍约束的密度聚类算法更合理、更加符合实际情况。     

带障碍的空间分级聚类算法

带障碍的聚类问题是一个具有实际应用价值的问题，因为现实世界中确实存在河流、山脉等之类的物理障碍，这们的存在会影响聚类结果的合理性。传统的聚类算法在进行空间数据的聚类时，往往忽略了障碍对于聚类结果的影响。本文讨论了不同障碍对数据点间连通性的不同影响，提出了带障碍的分级聚类算法OBHIEC。分级聚类方法使得需要计算障碍距离的点对数目减少，并能处理数据分布密度不同的情况。实验结果表明，OBHIEC算法能有效完成带障碍的聚类，并具有较好的增量特性。     

存在物理约束下的基于密度的空间聚类算法*

在现有的基于空间约束的空间聚类算法DBCluC和DBRS+等的研究和比较基础上,提出了一种新的处理物理约束的基于密度的空间聚类算法——DBCluC+。该算法在DBCluC算法基础上,采用网络拓扑结构建模通达对象,并增加通达对象访问点的宽度属性,从而采用约束距离（constrained distance）代替简单的欧几里德距离或障碍距离(obstacle distance)作为相异度的度量标准。理论分析和实验结果表明,DBCluC+算法不仅具有密度聚类算法的优点,而且聚类结果比传统的处理通达约束的聚类算法更     

一种基于障碍约束的空间数据聚类方法

聚类方法是空间数据挖掘的主要方法之一。针对聚类时障碍的约束,文章在用多边形有效地模拟约束条件和对多边形模型约简的基础上,提出了基于障碍约束的DBCluOC算法,并对算法进行了简要的分析。     

一种处理障碍约束的聚类算法

根据障碍约束空间聚类问题的特点,利用图论的相关知识,提出了一种分阶段的基于图的聚类的算法。首先,通过最小生成树聚类算法,在不考虑障碍约束的情况下对空间对象进行聚类;然后,引入障碍物对上一步的聚类结果进行分割;最后,根据被障碍物分割后形成的各个类之间的障碍距离,将距离较近的两个类合并,形成最终的聚类结果。最后通过实验验证了算法的效果,而且输入参数少,时间复杂度低。     

基于演化算法的带故障约束空间聚类分析

现实世界当中的各种约束条件限制了空间聚类必须考虑这些限制条件的存在.主要研究带障碍物的空间聚类,采用K-中心点算法进行聚类分析,在解决空间对象绕过障碍物的最短距离时引进改进的郭涛算法进行求解,对于中小规模数据体现了较高的执行效率.通过理论分析和实验验证,该算法是可行的.     

一种新的考虑空间实体约束的空间聚类算法

空间实体的存在会对空间聚类结果产生重要的影响。传统的空间聚类算法通常没有考虑空间实体的约束作用,很难保证聚类结果的真实性。针对空间约束中的障碍约束和便利约束,本文提出了一种改进的基于空间拓扑相邻关系的密度聚类算法CD—DBSCAN。该算法充分利用空间对象间的拓扑相邻关系,既考虑了空间障碍的阻隔作用,又兼顾了空间便利的连通作用。聚类结果研究表明,该算法能够有效地挖掘出约束条件下的数据集的聚集特征。     

成对约束的属性加权半监督模糊核聚类算法

在机器学习和数据挖掘中,带约束的半监督聚类是一个活跃的研究领域。为了利用约束条件获得表现更优异的聚类效果,提出了一种成对约束的属性加权半监督聚类算法,该方法充分考虑了属性间的不平衡性,在传统模糊聚类算法中融合半监督学习机制并通过Mercer核把原始的观察空间映射到高维特征空间。实验结果表明,该算法优于相似的成对约束的竞争群算法（PCCA）。     

障碍空间中不确定数据聚类算法

近些年,由于数据采集的不精确和数据本身的不确定性,使不确定性在位置数据中普通存在。在障碍空间中,聚类不确定数据面临新的挑战。提出了障碍空间中聚类不确定数据的OBS-UK-means(obstacle uncertain K-means)算法,并提出了分别基于R树和Voronoi图的两种剪枝策略和最近距离区域的概念,大大减少了计算量。通过实验验证了OBS-UK-means算法的高效性和准确性,同时证明了剪枝策略在不损害聚类有效性的情况下,能够有效地提高聚类效率。     

基于粒子群优化的带障碍约束空间聚类分析

聚类分析是空间数据挖掘的主要方法之一.传统聚类算法忽略了真实世界中许多约束条件的存在,而约束条件的存在会影响聚类结果的合理性.在分析K中心聚类方法易陷入局部极小值和对初始值敏感的基础上,提出了一种新的聚类方法--基于粒子群优化的带障碍约束空间聚类方法.实验结果表明,该聚类方法不仅使得聚类结果更具实际意义,而且在全局寻优能力方面明显优于K中心聚类方法,且有较快的收敛速度.     

基于约束投影的近邻传播聚类算法

提出了一种基于约束投影的近邻传播AP聚类算法。AP算法是在数据点相似度矩阵的基础上进行聚类的,很多传统的聚类方法都无法与其相媲美。但是,对于结构复杂的数据,AP算法往往得不到理想的结果。文中算法先对约束信息进行扩展,然后利用扩展的约束信息指导投影矩阵的获取,在低维空间中,利用约束信息对聚类结果进行修正。实验表明,文中算法与对比算法相比,时间性能更优,聚类效果更佳。     

便利体和障碍物下基于网格的空间聚类算法

为了降低计算代价,在CLIQUE算法的基础上引入了便利网格和障碍网格等概念,提出了便利体和障碍物下基于网格的聚类算法(GBSCFO)。GBSCFO首先利用CLIQUE算法生成微簇,然后在微簇的粒度上计算障碍距离。通过理论分析和实验验证,GBSCFO具有较好的时间复杂度和聚类效果。     

求解粮库选址问题的量子粒子群优化算法*

首先分析粮食仓库选址的原则和影响因素等,研究建立了粮库选址模型;进而考虑带障碍约束条件,采用量子粒子群优化的空间聚类分析方法,解决了粮库选址问题;最后,以河南省粮库选址为实例进行了模型验证.实验表明,使用量子粒子群优化方法提高了粮库选址的科学性,为科学合理地进行粮库建设与布局提供了决策依据.     

一种融合密度聚类与区域生长算法的快速障碍物检测方法

针对智能车在城市环境下采集的3维激光雷达点云中相邻障碍物难以区分、远距离检测易分裂以及小障碍物易漏检的问题，将密度聚类算法与区域生长算法融合，提出了一种鲁棒的障碍物快速检测方法．该方法首先利用区域生长算法对点云栅格完成第1次聚类并标记出可能含有更小障碍物的栅格，然后利用参数自适应的DBSCAN（density-based spatial clustering of applications with noise）对体积较大、可能包含多目标的障碍物检测结果进行细化，最后对已标记的栅格进行第2次区域生长聚类，完成小障碍物的检测．实验结果表明，本方法在城市环境下能够准确区分和检测出障碍物，检测准确率平均可达97%，平均耗时为13 ms．     

基于改进欧氏聚类算法的障碍物检测跟踪

障碍物的检测与跟踪技术是移动机器人行驶过程中的一个重要技术, 有利于提高移动机器人的运动安全. 为了提高了障碍物检测的准确率, 针对欧氏聚类存在过分割和欠分割的情况, 做出了两点改进: 提出动态欧氏聚类搜索半径的方法来解决远处点云过于稀疏的问题; 提出将半径搜索改成深度方向上的拓展搜索的方法来解决点云数据在深度方向上检测不完全和拖尾等问题. 为了提高动态障碍物跟踪的准确率, 在进行两帧障碍物数据关联时, 设计了一种新的关联矩阵的计算方式, 加入了障碍物的六自由度信息和尺寸信息, 提高了动态匹配的成功率. 仿真实验表明, 经过改进后障碍物检测准确率达到了95.2%, 多目标跟踪精度达到了13.2 mm.     

结构-属性平衡图节点相似度测量算法

摘  要：节点相似度是图聚类算法的重要基础,在基于结构-属性图聚类现有方法中,由于传统图模型的限制,需要多次矩阵相乘来调整属性边的权值,算法执行效率低。为解决这一问题,提出了结构-属性平衡图的概念,并采用随机游走模型策略统一度量结构-属性平衡图GB中顶点间的相似度。与现有方法相比,该方法不但能测量直接相连的顶点之间的相似度,还可测量不直接相连而存在不同长度的路径的顶点之间的相似度,且没有增加原相似度矩阵的规模,节省了大量存储空间,提高了算法执行效率。     

Approaches for scaling DBSCAN algorithm to large spatial databases

The huge amount of information stored in datablases owned by coporations(e.g.retail,financial,telecom) has spurred a tremendous interest in the area of knowledge discovery and data mining.Clustering.in data mining,is a useful technique for discovering intersting data distributions and patterns in the underlying data,and has many application fields,such as statistical data analysis,pattern recognition,image processsing,and other business application,s Although researchers have been working on clustering algorithms for decades,and a lot of algorithms for clustering have been developed,there is still no efficient algorithm for clustering very large databases and high dimensional data,As an outstanding representative of clustering algorithms,DBSCAN algorithm shows good performance in spatial data clustering.However,for large spatial databases,DBSCAN requires large volume of memory supprot and could incur substatial I/O costs because it operates directly on the entrie database,In this paper,several approaches are proposed to scale DBSCAN algorithm to large spatial databases.To begin with,a fast DBSCAN algorithm is developed.which considerably speeeds up the original DBSCAN algorithm,Then a sampling based DBSCAN algorithm,a partitioning-based DBSCAN algorithm,and a parallel DBSCAN algorithm are introduced consecutively.Following that ,based on the above-proposed algorithms,a synthetic algorithm is also given,Finally,some experimental results are given to demonstrate the effectiveness and efficiency of these algorithms.