基于均值漂移聚类的扩展目标量测集划分算法

在噪声环境下,存在扩展目标数未知且变化的多扩展目标跟踪量测集难以划分、计算代价高的问题。为此,提出一种基于均值漂移聚类的量测集划分算法。通过迭代更新中心点,使其收敛于局部最优,并引入极大似然估计技术估计每个划分子集中的目标数,对于目标数大于1的子集采用模糊C均值聚类算法进行二次划分,使得划分的量测子集与各个扩展目标一一对应。实验结果表明,该算法在多扩展目标量测集划分性能上明显优于传统的距离划分和K-means++划分算法,尤其是在保持跟踪精度的前提下量测集划分数和计算代价明显降低,且能较好地划分紧邻扩展目标的量测集。     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

面向扩展目标跟踪的网格聚类量测划分方法

针对扩展目标跟踪中量测集划分困难及目标数目估计不准的问题,提出了一种面向扩展目标跟踪的网格聚类量测集划分方法。首先,由目标之间的时空关联性,将当前时刻的量测划分为存活目标量测与新生目标量测。然后,针对高斯混合概率假设密度滤波器与扩展目标高斯混合概率假设密度滤波器,分别推导出改进的模糊C均值算法与改进的网格聚类算法用于划分存活目标量测集与新生目标量测集。仿真结果表明本文方法可实现量测集的准确划分,有效完成扩展目标跟踪,避免了漏检与过检。     

基于CODHD聚类划分的多扩展目标跟踪算法

杂波环境下,利用概率假设密度滤波器进行扩展目标跟踪存在量测集划分难且计算效率低的问题,提出基于层次划分密度的聚类优化（CODHD）算法对扩展目标进行量测集划分的方法。先利用自适应椭球门限的方法对量测集进行预处理,通过簇合并方式生成量测划分;计算各划分聚类质量并构造为质量曲线;将得到的聚类数和聚类中心通过模糊C-均值（FCM）运算获得量测划分。仿真结果表明,利用所提方法对量测集进行划分,能够得到准确的划分结果且计算代价得到降低。     

近邻传播观测聚类的多扩展目标跟踪算法

由于传感器分辨率高或目标存在多个反射源等原因,一个目标可以同时产生多个观测数据,对于解决这种扩展目标的跟踪问题,概率假设密度(PHD)滤波算法是一种有效的方法.针对扩展目标概率假设密度滤波算法中观测集合划分,提出一种利用近邻传播聚类方法进行观测集合划分的多扩展目标跟踪算法.实验结果表明,所提出的方法不但能够获得正确的划分观测集合,而且计算复杂度较已有划分方法有较大降低,同时在多目标跟踪效果方面优于已有算法.     

基于观测数据聚类划分的扩展目标跟踪算法

针对高斯混合假设概率密度滤波扩展目标跟踪算法中的观测集合划分问题,本文分析了距离门限划分方法存在的问题,提出了一种利用聚类方法进行观测数据集合划分的方法。该方法利用极大似然方法获得目标数的估计值,以此作为聚类数利用K-means聚类对观测数据集合进行聚类划分,并利用椭球门限对观测数据进行处理以降低杂波观测对聚类划分的影响。实验结果表明,该方法能够获得正确的划分观测集合,计算复杂度较距离门限划分方法有较大降低,同时在多目标跟踪效果方面优于观测数据距离门限划分的假设概率密度滤波扩展目标跟踪算法。     

基于聚类的加速k-近邻分类方法

实际生活中,经常会遇到大规模数据的分类问题,传统k-近邻k-NN(k-Nearest Neighbor)分类方法需要遍历整个训练样本集,因此分类效率较低,无法处理具有大规模训练集的分类任务。针对这个问题,提出一种基于聚类的加速k-NN分类方法 C_kNN(Speeding k-NN Classification Method Based on Clustering)。该方法首先对训练样本进行聚类,得到初始聚类结果,并计算每个类的聚类中心,选择与聚类中心相似度最高的训练样本构成新的训练样本集,然后针对每个测试样本,计算新训练样本集中与其相似度最高的k个样本,并选择该k个近邻样本中最多的类别标签作为该测试样本的预测模式类别。实验结果表明,C_k-NN分类方法在保持较高分类精度的同时大幅度提高模型的分类效率。     

基于扩展量测混合坐标下多目标跟踪算法

摘要：文献[2,3]研究表明在二维直角坐标系中,速度量测的引入不仅可以加快跟踪系统的动态收敛速度,而且可使目标位置的估计精度提高一个数量级甚至更高。针对实际多目标跟踪系统中,由雷达、声纳得到的速度量测是一个相对径向速度,不能直接应用,本文提出了基于扩展量测混合坐标中多目标跟踪算法,导出了量测方程线性化公式,推导了基于扩展量测混合坐标系中目标跟踪算法,给出了Monte Carlo仿真。结果表明：和没有利用扩展量测的EKF算法相比,本文提出的跟踪算法不但能够提高目标状态估计的稳态跟踪精度,而且能够提高系统的动态收敛速度。     

基于随机有限集的多扩展目标跟踪研究进展

对基于随机有限集的多扩展目标跟踪方法的研究现状和进展进行综述.首先给出扩展目标的数学模型;然后给出扩展目标形状估计的3种方法:随机矩阵法,随机超平面法和高斯过程法;接着给出多扩展目标的随机有限集滤波器的算法及优缺点;最后介绍多扩展目标跟踪的主要应用,并对其未来的发展方向做进一步展望.     

基于局部密度和测地距离的谱聚类

传统根据[K]-近邻图计算测地距离的方法,虽然能够发现流形分布数据间的相似关系,但是当不同类的点存在粘连关系时,依此计算相似度时不能体现样本间的真实关系,从而无法有效聚类。针对传统测地距离计算相似度的方法不能有效处理粘连数据集的问题,提出了基于局部密度和测地距离的谱聚类方法。计算样本的局部密度,寻找每个样本点的最近高密度点,并选择边缘点和非边缘点;在边缘点和其最近高密度点之间构造边、非边缘点之间的[K]个近邻点构造边,依此计算测地距离和相似度并进行聚类。在人工数据集和UCI数据集上的实验表明,该算法在处理粘连数据集时有效提高了聚类准确率。     

基于BP神经网络的网络安全评价方法研究

网络安全涉及计算机、通信、物理、数学、生物、管理、社会等众多领域,是一项复杂的系统工程.因此,必须采用系统工程的思想和方法,对整个网络的安全状况进行综合评价,才能得出科学的评价结果.以层次分析法为基础,构建了BP神经网络评价模型,可用于网络安全等级的综合评价,从而得到更科学、合理的评价结果.研究工作为全面评价计算机网络安全状况提供新的思路和方法,对网络安全测评认证工作具有较高的理论价值和广阔的应用前景.     

基于划分与层次方法的混合聚类算法

为了更好地实现聚类,在汲取传统的划分算法、层次算法特性的基础上,提出了一种新的基于划分和层次的混合聚类算法（MPH）,该算法将聚类的过程分为分裂和合并两个阶段,在分裂阶段反复采用k-means算法,将数据集划分为多个同质的子簇,在合并阶段采用凝聚的层次聚类算法。实验表明,该算法能够发现任意形状、任意大小的聚类,并且对噪声点不敏感。     

基于Seed集的半监督核聚类

提出了一种新的半监督核聚类算法——SKK-均值算法。算法利用一定数量的标记样本构成seed集,作为监督信息来初始化K-均值算法的聚类中心,引导聚类过程并约束数据划分;同时还采用了核方法把输入数据映射到高维特征空间,并用核函数来实现样本之间的距离计算。在UCI数据集上进行了数值实验,并与K-均值算法和核-K-均值算法进行了比较。     

基于遗传算法的集合划分问题求解

集合划分问题是组合优化领域中有着广泛应用基础的著名问题,属于NP难问题.通过引入精英策略提出对遗传算法的改进,并为了能把遗传算法应用到集合划分问题,对数学模型进行了等价变换.针对集合划分问题,设计出一种高效的基因表示,避免了组合优化中处理约束条件的麻烦.解决了传统二进制基因编码无法精确适应离散优化问题,首次提出一种离散编码解决方案.最后,使用Visual C 6编程实现,取得较好的结果.     

基于三边测量的分簇目标跟踪算法

针对目标跟踪应用中目标移动的随机性和偶然性,以及跟踪节点的能量有限、通信半径小等问题,为了提高跟踪精度,并尽可能地减少节点能量消耗、延长网络寿命,提出了一种基于三边测量的分簇目标跟踪算法。所提方案采取三边测量技术进行移动目标的定位以提高定位精度,而且为了达到能效均衡,在建立唤醒簇阶段根据节点与目标之间距离、节点残余能量两个参数进行簇头及簇成员选举。仿真结果表明,所提方案与基于预测的能量节省(PES)方案、基于混合簇的目标跟踪(HCTT)协议相比,网络寿命更长,预测轨迹更精确,跟踪精度更高。     

基于粗糙集和小生境遗传算法的层次聚类算法

目前大部分聚类算法都面向数值属性,针对符号属性的则比较少.提出了一种新的聚类算法 RNGADHCA,该算法将基于共享机制的小生境遗传算法运用到分裂式层次聚类算法中,并用粗糙集的思想来定义遗传算法的适应度函数,实验表明,该算法在面向符号属性进行聚类时能取得较好的聚类效果.     

基于覆盖粗糙集模型的层次聚类算法

目前大部分聚类算法只适用于处理属性取值为单值的数值型数据,介绍了一种新的基于粗糙集理论的聚类算法,该算法不仅可用于取值为单值的数值型数据聚类,而且能够用于取值为多值的非数值型数据聚类.该算法利用基于相容关系的属性最小覆盖来求解对象各属性的对象属性信息粒.在此基础上,通过对象属性信息粒和对象粗糙相似度的运算构建各对象的相容粒.最后,把具有相同相容粒的对象视为同一等价类,从而实现对论域的聚类,进而对数据对象进行层次聚类.实验结果表明,该算法是可行的.     

基于规则集划分的多决策树报文分类算法

为克服决策树算法处理高速网络、大容量规则集下的报文分类问题时内存使用量大的弊端,提出一种基于规则集划分的多决策树报文分类算法。在保证规则子集数量可控的前提下,采用启发式算法将规则集划分为有限个规则子集,最大限度分离交叠规则;提出两级级联决策树结构,降低决策树深度以减少规则查找时间。理论分析表明,该算法空间复杂度较传统单决策树算法大幅降低。仿真结果表明,该算法的内存使用量比目前空间性能最好的EffiCuts算法减少了30%,且维度可扩展性更好。     

基于表集合划分算法的数据交换方法研究

针对数据交换系统中,表数据的迁移顺序问题,提出了一种表集合划分算法,有效解决了数据交换过程中表数据迁移顺序的问题.描述异构关系数据库之间数据更新过程中存在的问题,并说明研究的重要性;详细论述表集合划分的原理,并根据这一原理,给出一个可行的实现算法;通过一个实例完整描述基于XML的数据交换过程,并重点讨论利用表集合划分算法确定表数据的迁移顺序.结果表明,基于表集合划分算法的数据交换方法为数据交换过程中表数据迁移的顺序问题提出了很好的解决方案,也为建立高质量、高可靠性、高效率的数据交换系统奠定了基础.