高效的混合聚类算法及其在异常检测中的应用

将聚类算法应用于异常检测,算法的有效性是关键。为了提高异常检测能力,提出了一种新的聚类算法,该算法运用窗口管理机制对网络数据采用分批实时处理的方法,同时对算法中运用到的DBSCAN算法和K-means算法进行改进并组合,实验证明该算法可以提高异常检测的检测率,降低误报率并增强系统的实时响应能力。     

基于划分DBSCAN算法的小区载频配置优化

为了充分利用无线网络资源,提升无线网络质量,充分利用了DBSCAN（Density Based Spatial Clustering of Applications with Noise）算法的优点,提出基于划分DBSCAN算法的话务量异常小区的检测方法,并通过对现网大量话务数据的统计分析,找出小区载频配置数和最佳话务量之间的关系。对话务量异常、拥塞率高的小区进行载频配置优化,并对城市小区网络优化有一定的指导意义。     

基于聚类的两段式孤立点检测算法

现有的大多数孤立点检测算法都需要预先设定孤立点个数,并且还缺乏对不均匀数据集的检测能力。针对以上问题,提出了基于聚类的两段式孤立点检测算法,该算法首先用DBSCAN聚类算法产生可疑孤立点集合,然后利用剪枝策略对数据集进行剪枝,并用基于改进距离的孤立点检测算法产生最可能孤立点排序集合,最终由两个集合的交集确定孤立点集合。该算法不必预先设定孤立点个数,具有较高的准确率与检测效率,并且对数据集的分布状况不敏感。数据集上的实验结果表明,该算法能够高效、准确地识别孤立点。     

基于信息熵的蚁群聚类DBSCAN改进算法

针对DBSCAN算法对数据分布不均匀和大规模数据处理问题上的不足,提出了一种新的整合算法,算法使用信息熵和蚁群聚类技术对聚类数据集进行代表性子集选择,在子集基础上进行DBSCAN聚类,实验证明这一算法能显著降低I/O耗费和内存需求,有效地解决含有分类属性的高维大规模数据集的聚类问题。     

一种改进的基于密度的聚类算法

聚类是数据挖掘领域中的一个重要研究方向,在基于密度的聚类算法DBSCAN的基础上,提出了一种改进的基于密度的聚类算法,该算法在核心点的邻域扩展中不再将邻域内的点作为种子点,而是按顺序选择一个邻域外未被标记的点作为种子点,然后分不同情况进行相应的聚类扩展,此算法可以有效减少聚类中核心点邻域重叠区域查询的次数和运行的时间,实验测试结果也表明该算法聚类的效率和质量明显优于DBSCAN算法.     

基于DBSCAN技术的SAR图像感兴趣区域鉴别

使用一种新奇的聚类方法从粗略检测后的SAR图像中提取感兴趣区域(ROI),再通过多特征提取和综合鉴别,去除虚警保留目标,为进一步的目标识别做准备。自动目标聚类是基于SAR图像的自动目标识别系统的难点之一,带有噪声的基于密度的聚类方法 (DBSCAN)可以发现任意形状的聚类目标,只依赖于两个不敏感的系统参数,通过区域判断缩减计算时间减少计算内存,很好地适应了自动目标识别的系统需要。多特征目标鉴别方案基于聚类结果,研究聚类得到的感兴趣区域,通过提取多种特征综合判断,有效去除了虚警。所述方法已应用于某SAR-ATR系统,得到了很好的应用体验。     

机器人世界杯足球锦标赛中多机器人对目标协同定位算法的改进

以机器人世界杯足球锦标赛（ROBOCUP）中全自主机器人平台为对象,针对传统的基于密度空间聚类方法（DBscAN）在对数据处理的精准度和稳定性上的出现的问题,提出了引入机器人距离阈值的改进DBSCAN算法,以提高多机器人协同定位的准确度．首先通过研究单个机器人自定位和目标定位,建立协同定位信息融合的模型;然后该算法通过引人机器人距离阈值,结合平台实际,即机器人测控距离越近测控的精度越高,将传统基于密度空间的聚类方法中有可能被剔除掉的数据,通过与阈值的对比而决定是否保留,提高融合数据的数据量和准确度,从而解决观测信息误差较大以及融合数据不稳定的问题．实验中,在多机器人获取同一个点的情况下分别使用传统DBSCAN和改进DBNscAN算法对目标点进行数据融合．实验结果表明对比传统DBSCAN,改进后的算法在领域半径EPS变化的情况下,融合数据依然稳定．ROBOCUP全自主机器人平台中使用引入机器人距离阈值判断的改进DBSCAN算法进行协同定位,这让其信息融合在稳定性和精确性方面要高于传统的DBSCAN算法．     

农村网络结构优化及用户感知提升新思路

农村网络覆盖制式多、频段多,存在MR弱覆盖、越区覆盖、质量差、语音回落和异频切换等诸多问题。本文利用MR、KPI、覆盖远近系数和频段制式进行网络分析;利用MDT、互联网众筹数据进行精准覆盖和用户分布分析;利用爬虫技术获取农村经纬度信息,结合工参、MR进行天馈方位角合理性排查。通过关联传统优化指标,并结合互联网、AI智能算法和大数据分析,大大提升优化效率,稳步提升农村网络覆盖水平和用户感知。     

基于时空约束密度聚类的职住地识别方法

为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN（density-based spatial clustering of applications with noise）时空驻点聚类过程将居民多天的原始轨迹点分成不同的时空驻点簇。然后,利用基于速度阈值的停留点簇和移动点簇识别过程将居民的每一个时空驻点簇区分为停留点簇或移动点簇。接着,利用基于K近距离的DBSCAN重要停留点聚类过程将居民的停留点分成不同的重要停留点簇。最后,利用基于KD-tree优化的KNN（K-nearest neighbor）职住地识别过程将居民的每个重要停留点识别为工作地、居住地、职住同一区域或兴趣地点区域。实验结果表明,该方法的每个过程都是合理有效的,并且最终的职住地识别效果要优于时间阈值法、累加时间法和信息熵法。     

一种TDMA信号用户盲分离方法

时分多址(Time Division Multiple Access,TDMA)信号用户分离作为TDMA信号第三方侦收的重要环节,是后续用户内涵信息解译组报、目标测向定位的前提条件.在未知网台规格情况下,无法通过解译用户ID或网控信令的方式对多用户进行分离.基于TDMA信号物理层特征,提出了一种基于DBSCAN(Ddensity-based Spatial Clustering of Applications with Noise)聚类算法的TDMA信号用户盲分离方法.通过对TDMA信号的时频域特征进行提取和聚类,实现对多用户突发时隙进行分离,并利用仿真数据和实际网台数据进行了算法验证.该算法具有良好的抗噪声性能和较高的正确分选率.