涉及障碍物的聚类方法研究

在空间数据挖掘中，传统聚类算法忽略了真实世界中障碍物的存在，而障碍物会影响聚类结果的合理性。讨论了面对障碍物的聚类问题，并给出了一个考虑障碍物存在时的基于划分的聚类算法。该算法充分考虑到了现实障碍物对聚类结果的影响，使得聚类结果更具有实际意义。     

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。     

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.     

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。     

障碍空间里基于密度的快速聚类算法

传统的聚类方法不能直接运用于分布空间内存在障碍物的数据的聚类.提出了一种障碍空间内基于密度的快速聚类算法DBCO来解决此类问题.DBCO中,在基于密度的聚类基础上引入了障碍模型,提出了一种保持数据间可见性的简化障碍的方法.为了使障碍模型不影响聚类质量,定义了障碍顶点距离、连接距离和判断距离来维持聚类的质量.另外,在聚类过程中,选择某一些代表点和拓展点而不是每一个点来对每一个聚类进行扩展,从而大大提高了聚类算法的效率.实验结果表明了DB-CO算法可以快速地得到高质量的聚类结果.     

基于Voronoi图的障碍不确定数据的聚类算法

数据采集过程中普遍存在不确定性,并且在现实地理空间中,不确定数据之间可能存在障碍物间隔。为解决障碍空间中不确定数据的聚类问题,提出APPGCUO算法,该算法包括三个过程:在障碍物约束下采用R树节点最小最大值方法提出的RPT-OUCure算法,用以生成局部最优解,提高生成局部最优解的效率;继而利用近似骨架的理论提出GIABO算法,以局部最优解生成有效初始解,避免划分聚类算法中任意初始解的不足;最后结合Voronoi图的特性提出VPT-KMediods算法,减少不确定数据的积分运算量。实验结果表明,APPGCUO算法具有较高的聚类效率和质量。     

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．     

基于模糊K均值聚类和Sarsa(λ)算法的自适应爬壁机器人路径规划

针对现有爬壁机器人规划算法难以实现在线自适应高效规划的问题,设计了一种基于模糊K-Means算法和经典Sarsa(λ)算法自适应爬壁机器人规划算法;首先,对爬壁机器人的动力学模型进行了建模和分析,然后,对爬壁机器人规划中的状态进行自适应聚集从而实现值函数的近似,设计了K值可变的改进模糊K均值聚类算法对状态进行自适应地在线聚类,将聚类中心对应的值函数作为整个聚类所有数据对象的值函数的近似值,最后,对基于模糊K均值聚类算法和Sarsa(λ)算法的爬壁机器人在线规划算法进行了定义和描述,在MATLAB环境下对简单障碍物场景和复杂障碍物场景分别仿真实验,实验结果表明文中方法能有效地进行路径规划,随着情节数的增加,规划结果逐渐收敛到最优值,同时在环境变化时,收敛效果不受影响,具有较好的稳定性,是一种高效地实现爬壁机器人在线规划的方法。     

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。     

一种改进的带障碍的基于密度和网格的聚类算法

提出了一个改进的带障碍的网格弥散聚类算法DCellO1:以网格为基础,将基于密度的聚类算法与图形学种子填充算法相结合。该算法能进行任意形状的带障碍聚类,并且在对象分布不均匀时也能获得较好的聚类结果。实验证明了该算法的有效性与优越性。     

中文词聚类研究

词聚类是语言自动处理中一个重要的基础环节。针对中文词聚类研究中训练数据缺乏、质量不高而影响聚类效果这一主要障碍，本文提出一种面向中文的词聚类算法，算法以词的上下文分布相似度作距离量度；然后分析了仪依据距离量度进行中文词聚类的缺陷，提出词的临近空间概念，并根据词的临近空间概念进行聚类，使得在不用指定类的数
数目与大小的情况下，依靠词的内在语义进行聚类；最后，算法再将聚类结果作为计算相似度的依据，进行EM迭代聚类，使聚类结果得到明显优化。实验证明，算法有效地克服了中文训练数据的数量和质量问题，聚类结果好。     

一种考虑障碍物的ad hoc网络分簇算法

现有的很多ad hoc网络分簇算法都没有考虑实际的物理环境因素，如地球表面的各种障碍物。而障碍物既阻碍节点移动，又限制无线传输，对分簇结果影响很大，可能会导致簇的尺寸过小，簇的数目较多，从而引入大量的通信和计算开销。结合Voronoi图，在最小ID启发式算法的基础上，提出一种考虑障碍物的分簇算法。通过设置备用节点，可以解决障碍物环境下ad hoc网络的连接性问题。最后通过实例仿真对该算法和最小ID算法进行性能比较和评价。     

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。