一种改进的基于局部密度的聚类算法

聚类分析一直是机器学习和数据挖掘领域一个比较活跃而且极具挑战性的研究方向.Alex提出的基于局部密度的聚类算法是一种快速、有效的聚类方法,但该方法通过手工选取确定聚类个数和聚类中心.为此,对原算法进行改进,在初步选取候选聚类中心的基础上,使用基于密度连通的算法优化选取聚类中心,然后使用大密度最近邻方法确定样本类别.实验证明,该方法能有效解决聚类个数和聚类中心无法确定的问题,同时在聚类评价指标上显示出较好的聚类效果和性能.     

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.     

一种基于相对密度的快速聚类算法

基于相对密度的聚类算法和快速DBSCAN聚类算法是典型密度聚类算法DBSCAN的两种改进算法,但这两种方法仍存在不足.文中提出一种基于相对密度的快速聚类算法,实验证明了该方法的有效性.     

基于改进密度的簇内均值最小距离聚类算法

针对密度聚类算法在聚类过程中存在的参数设置敏感、收敛时间长等问题,提出了一种改进密度聚类算法.首先使用自定义密度公式计算样本密度,得出候选代表点集合;再选取与其它候选代表点距离之和最小对象为首个初始聚类中心,使用最大乘积法完成初始中心选择;在簇中心更新环节,将与簇内均值最小距离的对象作为该簇的临时中心,使用最小距离法划...     

局部网格动态聚类算法

针对传统网格聚类算法聚类精度较低,处理流数据效率较低等问题进行改进。提出局部网格动态聚类算法,算法引入维度半径概念进行增量动态网格划分,通过采用新的簇边界判定方法对簇边界进行判定,依据稀疏网格与其邻接密集网格的质心距离,将稀疏网格归并到相应网格簇中,对于不能归并的稀疏网格则采用局部网格划分方法对稀疏网格再次进行划分聚类,避免簇边界的误删,在一定程度上提高了聚类精确度。通过对比实验结果表明提出的算法具有更好的聚类时效性和聚类精度。     

一种改进的道路行车密度峰值模糊聚类算法

为解决城市道路中相邻车辆聚类精度低的问题,本文提出了一种改进的密度峰值模糊聚类算法。首先,该算法使用自适应椭圆距离代替欧式距离,并在决策图中引入指数函数曲线选择密度峰值点,以确定初始聚类中心和聚类数目;接着,将初始信息代入模糊C均值(FCM)聚类算法中,经迭代计算取得一次聚类结果;最后,根据雷达数据中同一辆车的数据点速度差值极小、不同车辆的速度差值相对较大这一特征,引入和速度相关的目标函数,并通过迭代计算取得最终的聚类结果,以对一次聚类结果进行修正。根据真实道路测量数据的实验证明,本文提出的聚类算法精度高、鲁棒性好,能正确聚类城市道路中相邻的车辆目标,具有更好的聚类效果。为道路中车辆的跟踪、交通状态预估等处理提供可靠、准确的目标信息,大大减少后续工程的计算量。     

基于密度和聚类指数改进的K-means算法

传统K-means算法中,随机选择到的初始聚类中心不同会得到不一样的簇类,人工给定的k值与实际聚类数较难达到一致,针对这些问题,文中提出了基于密度和聚类指数改进的K-means聚类算法。根据密度获取高密度集HP,从此集合中选择相互之间距离最大的两对对象均值当成第一轮聚类的聚类中心,新的聚类中心可通过最大距离积法获取,并参考聚类指数确定合适的k值。通过进行实验确认了该算法有较高的准确性和有效性。     

一种改进的模糊聚类算法

ＦＣＭ（Ｆｕｚｚｙ Ｃ－Ｍｅａｎｓ）算法是一种基于目标函数优化的模糊聚类方法,其收敛地于初始条件敏感。与ＨＣＭ（Ｈａｒｄ Ｃ－Ｍｅａｎｓ）算法相比,ＦＣＭ算法的模糊分割矩阵提供的信息更加丰富。本文采用冗余聚类中心初始化,根据模糊分割矩 列和以及实际的要求逐级减少类别数目。实验结果显示改进的算法得到的收敛中心稳定,并且中以融合有关数据分布的先验知识得到所期望的结果。     

密度聚类方法研究

密度聚类分析方法是经典聚类的一个重要分类,能够发现具有相同密度结构的数据,而不拘泥于数据的凹凸类型和集群形状.基于此,研究了密度聚类方法的发展现状:首先介绍了几种重要的经典密度聚类算法,并对其核心思想、算法流程、算法特性等进行了分析;其次总结归纳了各个经典密度聚类算法的优缺点、适用场景,介绍了密度聚类算法的实用案例;最...     

基于类簇合并的无参数密度峰值聚类算法

密度峰值聚类算法（DPC）通过决策图直观地找到类簇中心进而完成聚类,是一种简单高效的聚类算法。然而,DPC算法的截断距离和类簇中心都是人为确定的,受主观影响较大,具有不确定性。针对上述问题,提出一种基于类簇合并的无参数密度峰值聚类算法（NDPCCM）。首先根据样本点两两之间的相似度的分布特征将其分为类内相似度和类间相似度两种类型,并利用类内相似度自动确定截断相似度,避免了人为设置参数;接着根据簇中心权值的下降趋势自动选择初始类簇中心,得到初始类簇;最后通过合并初始类簇对初步聚类结果进行优化,提高了聚类的准确性。在人工数据集和UCI真实数据集上,将所提算法与DPC、DBSCAN、K-means算法进行对比实验。结果表明所提算法无需输入参数就能够自动得到类簇,且聚类性能优于其他算法。     

Clustering routing protocol based on improved PSO algorithm in WSN

Aiming at the problem that the location distribution of cluster head nodes filtered by wireless sensor network clustering routing protocol was unbalanced and the data transmission path of forwarding nodes was unreasonable,which would increase the energy consumption of nodes and shorten the network life cycle,a clustering routing protocol based on improved particle swarm optimization algorithm was proposed.In the process of cluster head election,a new fitness function was established by defining the energy factor and position equalization factor of the node,the better candidate cluster head node was evaluated and selected,the position update speed of the candidate cluster head nodes was adjusted by the optimized update learning factor,the local search and speeded up the convergence of the global search was expanded.According to the distance between the forwarding node and the base station,the single-hop or multi-hop transmission mode was adopted,and a multi-hop method was designed based on the minimum spanning tree to select an optimal multi-hop path for the data transmission of the forwarding node.Simulation results show that the clustering routing protocol based on improved particle swarm optimization algorithm can elect cluster head nodes and forwarding nodes with more balanced energy and location,which shortened the communication distance of the network.The energy consumption of nodes is lower and more balanced,effectively extending the network life cycle.     

一种基于能量和区域密度的LEACH算法的改进

本文在LEACH算法的基础上,引入节点剩余能量、节点到汇聚节点的距离和区域内节点密度等因素.利用网络最小能量来求解出最佳的簇首节点个数,动态设置每个节点的选举阈值.仿真实验表明,本文改进算法相较于LEACH算法和其它改进算法可以有效地降低网络能耗,延长网络生命周期,提高汇聚节点接收数据包量.     

基于局部空间密度峰值的图像分割算法

针对现实中真实图像含有大量的噪声及复杂纹理,提出了基于局部空间密度峰值的图像分割算法。该算法采用基于局部空间信息下的距离,结合密度峰值,通过捕捉图像的内部局部结构特征,获得较为准确的区域分割结果,最后对分割区域的离群点作二次划分,来进一步消除噪声及纹理的影响。通过对三类不同的图像(噪声图像、纹理图像、自然图像)进行图像分割的实验结果显示:相比K-Means和FCM算法,该算法可有效地分割含有噪声和复杂纹理的图像。     

基于ILDP的噪声鲁棒人脸识别

针对局部方向模式(LDP)采样不充分和对噪声敏感的缺点,提出了一种改进的LDP(ILDP)人脸描述方法,利用局部井型邻域的梯度信息描述人脸特征。首先,将中心像素的井型邻域根据采样半径分成两个3×3的子邻域,每个子邻域包含按照原来相对位置排列的8个像素;然后,将两个子邻域与Kirsch模板卷积分别得到两组边缘梯度值,ILDP仅使用两组梯度值中各自最大值的方向编码成一个二位八进制数,产生ILDP码;最后,在人脸描述阶段将人脸图像进行分块并把每块转换成ILDP图,再对ILDP图进行直方图统计,将所有子块的直方图连接生成人脸特征。实验结果表明,ILDP比其它同类基于局部纹理特征的单一人脸描述器在对抗随机噪声方面更具鲁棒性。     

基于改进CART算法的降雨量预测模型

降雨量预测对于水资源的管理非常重要,可以帮助决策者提前做出应对举措,降低灾情发生时带来的经济损失和人员伤亡。同时,降雨量预测对人们的日常生活、出行等也有着非常重要参考意义。通过分类回归树算法构建两个预测降雨量的模型,然后通过粒子群算法对模型中的参数进行优化。此外,为解决原算法不具备处理数据流问题的能力,根据dsCART算法的思想,对原算法生成决策树的过程做出了调整,使其具有增量学习的能力,提高其在气象信息系统中的实用性。最终通过实验验证了该改进方法的可行性、有效性。     

基于改进的密度峰值聚类的扩展目标跟踪算法

针对扩展目标高斯混合概率假设密度(extended target Gaussian mixture probability hypothesis density,ET-GM-PHD)滤波器中的量测集划分问题,提出了一种改进的密度峰值聚类(improved density peak clustering,IDPC)量测集...     

改进的基于码本模型目标检测算法

为克服基于码本模型的目标检测算法在光照变化条件下对检测结果产生的影响,提出了一种融合卡尔曼滤波思想的改进码本算法。该方法在计算图像像素亮度变化时选用了YUV颜色空间,使空间坐标轴与亮度变化方向一致,使亮度变化的计算量平均下降了44.9%。同时在建立码本模型时为每个像素初始化一个卡尔曼滤波器,该滤波器利用前后两帧图像亮度信息预测与修正当前像素值,对光照变化有较好的适应性。仿真实验结果表明,该算法与YUV码本模型、RGB码本模型以及GMM算法相比在亮度变化的条件下对噪声的抑制作用更强,体现出更好的自适应性。     

基于遗传算法改进的洪水预报模型

根据人工神经网络处理大规模非线性动力系统、遗传算法具有较好的寻优能力的特点,将二者有机的结合起来,提出了基于遗传算法改进的洪水预报模型,并将其应用于四川省达州市州河流域的水文预报。实验结果表明,本模型能够减少训练次数,提高预报精度,能更好的对洪水进行预报。     

基于改进C-V模型的图像分割算法

提出一种新的模型——Chan-Vese模型,该模型是基于曲线演化、水平集方法、局部的统计信息,新模型包括两个方面:局部核心函数和惩罚项.引入局部统计信息后的新模型可以对非同质图像进行有效的分割.另外,核心函数中加入惩罚项,可以有效避免水平集函数初始化,缩短模型演化时间.通过实验的仿真结果发现,新模型在对非同质图像进行分割时得到了良好的结果.