基于网格梯度的边界点检测算法的研究

为了快速有效地检测聚类的边界点,提出了网格梯度、边界网格的概念以及一种基于网格梯度的边界点检测算法(Boundary Points Detecting Based Gradient of Grid,BPGG),该算法先求出网格的梯度值,根据此值判断该网格是否为边界网格,进而确定聚类边界点.实验表明该算法可以在含有任意形状、大规模数据集上快速有效地检测出聚类的边界点,并去除噪声.     

一种新的快速混合聚类算法

在汲取了传统划分、层次聚类方法优点的基础上,结合图搜索技术,提出了一种新的快速混合聚类算法.该算法主要分为三个步骤:首先将整个数据集"压碎",生成固定数量的原子级聚类;然后处理孤立点;最后采用图搜索技术生成聚类.该算法只需一个参数,能识别任意形状、大小的聚类,时间复杂度在最坏情况下为nn~(1/2).实验表明该算法是有效的.     

参数动态调节的随机早期检测算法

RED算法对参数的设置很敏感,不同的参数设置对RED的性能影响很大。本文在自适应RED算法的基础上,提出了一种以流量变化趋势为依据,以平均队列长度的变化幅度大小为调节参数的RED算法。本算法通过动态参数调节方式,提高了RED算法的自适应性。模拟实验结果表明,算法在丢包率、平均队列长度及链路利用率等方面都有很好的表现。     

基于网格的高效DBSCAN算法

DBSCAN是一种性能优越的基于密度的聚类算法。为提高它的运行效率,提出了基于网格的DBSCAN算法GbDBSCAN。该算法使用网格划分的方法和数据分箱技术,减少了判定密度可达对象时的搜索范围,降低了算法的运行时间,而且算法还能够识别并处理边界点。实验结果表明,GbDBSCAN在不降低DBSCAN聚类质量的前提下,大大提高了DBSCAN算法处理低维数据集的效率。     

车祸中车辆严重碰撞区域边界图像分割技术

研究车祸中严重碰撞车辆图像边界准确分割问题。车祸中,如果发生碰撞较为严重,两车图像碰撞部位交汇的像素分布较为密集,像素会产生变异。传统的边沿检测算法多是基于像素差异进行边界分割,当车祸中像素密度分布密集导致像素变异的情况,会造成像素聚类效果不好,分割不完整,分割的准确性不高。提出了一种基于密度分布函数的车祸图像边界检测算法。算法通过计算数据车祸像素邻域半径内每个像素点对它的高斯影响函数之和,将其作为该像素对象的密度,再通过变异系数刻画像素对象密度分布特征从而提取车祸图像边界点。实验结果表明,算法提高了车祸图像边界分割的准确度。     

基于相交划分的动态网格聚类算法*

为了解决相交网格划分技术中聚类结果对数据输入顺序的依赖性和聚类结果精度不高的问题,提出了一种基于相交划分的动态网格聚类算法(DGBO)。该算法利用相交网格划分技术和移动网格技术来解决上述问题,通过连接相交的高密度网格单元形成聚类,只需一个参数,运行速度快。实验表明,DGBO算法能够快速有效地对任意形状、大小的数据集进行聚类,并能很好地识别出孤立点和噪声。     

基于网格的参数自动化聚类算法

提出了一种基于网格的参数自动化聚类算法PAG，主要目的是解决传统的网格聚类算法对参数敏感的问题．算法采用参数自动化技术来处理参数，即算法开始运行时所需的参数直接由参数自动化技术中的公式计算得出，不需要用户输入任何参数．通过对大量数据集的实验表明，该算法可扩展性好，能处理任意形状和大小的聚类，能够很好地识别出孤立点或噪声，并且有很好的精度．     

基于密度可达的多密度聚类算法

为对多密度数据集聚类,提出一种基于密度可达的多密度聚类算法。使用网格划分技术来提高计算每个点密度值的效率,每次聚类都是从最高密度点开始,根据密度可达的概念和广度优先的策略逐步向外扩展进行聚类。实验表明,该算法能够有效地对任意形状、大小的均匀数据集和多密度数据集进行聚类,并能较好地识别出孤立点和噪声,其精度和效率优于SNN算法。     

基于二分网格的支持向量预选取算法

在SVM训练过程中，二次规划问题的求解制约着SVM应用于大规模数据．SVM的决策函数由邻近分类超平面的部分训练样本——支持向量决定．基于减小训练样本数目、加快SVM训练过程的目的，提出一种基于二分网格的边界样本提取方法．数据仿真实验表明，该方法具有边界样本提取准确、效率高、速度快、能够自适应样本分布的优点，而且不会显著降低SVM分类器的性能．     

基于MPLS实现IPv6网络QoS的新机制

通过分析IPv6的QoS特性以及DiffServ和MPLS技术，提出了在MPLS平台下通过TC字段实现IPv6网络QoS的新机制。该机制简化了网络结构设计，更容易提供端到端的QoS。试验结果表明，新机制可以充分利用网络资源，优化网络性能。