基于DTW距离的探地雷达数据可视化

提出一种基于动态时间弯曲算法距离度量的探地雷达数据可视化方法,利用动态时间弯曲算法在时间轴方向上伸缩的优越性,结合可指定类数的聚类算法对探地雷达数据进行聚类和可视化分析。可用于实测的探地雷达数据集,实验结果表明,相对于传统的聚类算法,本文算法能得到更好的聚类结果。     

基于毫米波雷达的运动目标点云聚类和扩展算法

用毫米波雷达对运动目标进行姿态识别时,雷达点云数据具有噪点多、分布离散的特征,传统基于密度空间的聚类算法对点云聚类成像的过程中,会出现邻近目标之间的点云分类错误及同一目标点簇聚类为多个点簇等问题。针对上述情况,提出一种运动多目标邻近点云优化聚类算法,利用自适应距离加权的模糊c均值算法对聚类结果进行修正,提高近邻目标点云聚类准确度。同时提出一种目标点簇扩展聚合算法,利用卡尔曼滤波对运动目标位置预测,将多帧迭代三维点云尺寸作为波门对目标点云进行点簇扩展,提高目标点云完整性。试验结果表明,所提方法能有效提高聚类准确度。     

正交小波变换k-中心点聚类算法在故障诊断中的应用

k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。     

K-均值算法聚类数的确定

K-means算法是一种基于划分的聚类算法。它的执行时间主要依赖于k值和初始点的选取,但是在实际问题中缺少对K取值的先验信息和有效选取初始点的方法。提出五种有效的确定K值的方法。这些方法能够根据数据集本身的特性快速自动选取初始中心并给出初始分类个数。     

基于车载16线激光雷达的障碍物检测方法

针对目前车载16线激光雷达点云数据中障碍物检测算法准确率不高的问题,提出了一种基于自适应网格聚类的障碍物检测方法.首先,结合八叉树与随机抽样一致性算法(RANSAC)去除地面点;其次,投影点云至二维网格,依据各网格高程信息快速提取高结构物;然后,建立两级网格模型,按照粗网格聚类结果的分布信息自适应地确定子网格分辨率,对...     

基于K-medoids聚类算法的研究与实现

随着网络的普及,越来越多的人在Web上了解自己想要的信息,这就使得Web数据集成技术的研究和发展显得越来越重要,其中聚类算法是WEB数据集成中的重要研究课题。在分析总结现有的聚类算法的特点和实现过程的基础上,对K-medoids聚类算法进行改进,使得改进后的K-medoids聚类算法具有更高的效率,用户在Web上查询信息时更方便、更快捷。     

一种城市环境三维点云配准的预处理方法

针对城市三维环境下LiDAR点云数据密度大、离群噪点多、分布散乱不利于后期点云帧间匹配的问题, 提出一种应用于城市环境下大规模三维LiDAR点云帧间匹配的预处理方法。首先, 将点云数据转化为均值高程图, 利用网格之间的高度梯度对点云进行地面分割处理; 然后, 通过三维体素栅格划分的方法改进了DBSCAN聚类算法, 用改进后的VG-DBSCAN对点云进行聚类, 聚类后目标点云与离群点分离, 从而剔除点云中的离群噪点; 最后, 采用Voxel Grid滤波器对点云降采样。实验结果表明, 所提方法可以对点云数据进行实时的预处理, 平均耗时为132.1 ms; 预处理之后点云帧间匹配的精确度提高了2倍, 平均耗时也仅为预处理前的1/6。     

基于不完全信息的半监督KMeans算法

聚类是数据挖掘中最重要的研究内容之一,通常用来对数据做统计和分析。本文研究的重点是半监督聚类算法,即在有一部分用户标注的先验信息的条件下,改进现有的聚类算法,以利用少量的用户标注信息,得到更好的数据聚类效果。     

一种基于FCM-PCM模型的曲线识别算法

FCSS算法和FCM算法具有相同的优缺点，而与FCM和PcM相结合的聚类算法能很好的解决FCM算法容易陷入局部极值点的缺点。在本文中，首先证明了用此FCM-PCM模型来对曲线进行识别的可行性。数值实验表明：新方法对球壳型数据有令人满意的效果。     

基于聚类算法的财务大数据智能分析处理技术研究

本文对基于聚类算法的财务大数据智能分析处理技术进行了研究,旨在处理金融领域管理庞大的财务数据以及更好地应对不断增长的数据挑战。本文在设计财务大数据智能分析系统总架构的基础上,对系统软件部分进行了详细地分析设计。其中数据收集与预处理主要负责获取原始数据,同时确保收集数据的质量与一致性。特征工程提取主要为聚类算法提供有意义的特征,以更好地捕捉数据的模式和结构。聚类建模算法分析是系统的核心部分,其将财务数据划分为不同的簇,整理数据中的内在结构。数据可视化可将复杂的聚类结果以直观的方式呈现给用户。系统性能测试对测试结果进行研究,说明系统在财务大数据分析中具有有效性和可行性。     

基于k-均值的文本聚类算法及改进

本文提出了k-means聚类算法中选取初始聚类中心及处理孤立点的新方法,改进了k-means算法对初始聚类中心和孤立点文本很敏感的不足之处,并将改进后的算法应用于中文文本聚类中。实验结果表明,改进的算法较原算法在准确率上有较大提高,并且具有更好的稳定性。     

自适应局部独立分量分析

提出一种自适应局部独立分量分析降噪算法。该算法先将一维时间序列重构到高维相空间,用聚集模糊K均值聚类和聚类评价函数求取高维数据集的聚类个数和聚类中心位置,然后利用K均值聚类寻找局部投影区间,对每个聚类进行独立分量分析并投影到低维空间,将低维空间数据排列并重构成一维时间序列。与使用聚类的局部独立分量分析相比,该算法具有自适应性和稳定性。使用数值仿真试验和齿轮故障信号对该算法进行验证,结果表明该算法对此类信号具有良好的降噪效果。     

集成多策略改进FCM算法的旋转机械故障数据聚类分析研究

针对旋转机械故障数据聚类分析中的初始聚类中心不确定和孤立点敏感问题,提出了一种集成多策略改进的模糊C均值(FCM)聚类方法。首先以故障数据集的决策属性为等价关系对数据集进行划分,得到若干个由等价关系导出的等价类;然后以每个等价类为可行域,采用均值漂移方法搜索故障数据类中心;最后以搜索到的类中心为FCM算法的初始聚类中心,通过核技术计算故障数据样本与相应类中心在高维特征空间中的欧氏距离,从而实现数据样本相似性的有效度量,并完成故障数据的模糊聚类。通过标准数据集和旋转机械故障数据集对方法的性能进行了验证及比较分析。结果显示,改进FCM算法的聚类性能相比传统FCM算法的聚类性能得到了明显提升,在收敛速度和聚类准确性两个性能指标上,改进的FCM算法比FCM算法具有显著优势。     

基于混合聚类的数字电影流动放映轨迹点分析模型

针对我国数字电影流动放映轨迹点特征,本文提出一种基于DBSCAN(Density Based Spatial Clustering of Applications with Noise)的密度聚类算法和基于STING(Statistical Ingormation Crid)的网格聚类算法相结合的数字电影流动放映轨迹点分析模型。本文首先借鉴文献[1]中的改进DBSCAN算法对流动放映轨迹点进行一次微聚类,挖掘出放映密集区域。然后,利用STING算法对放映密度区域进行二次聚类,获得放映密集区域的代表中心点,使聚类结果更加细化。最后以某省份的回传GPS放映轨迹数据进行实际聚类分析。实验结果表明,该算法能够快速反映并确定放映轨迹的空间分布,挖掘出放映密集区域及其中心点,可以较为直观的为管理部门合理分配和调度放映员提供科学理论依据。     

基于量子核聚类算法的图像边缘特征提取研究

为了提高图像边缘特征提取质量,采取了量子核聚类算法。首先把像素映射量子编码,在码元建立域内对像素块进行随机采样;然后通过聚类距离计算数据点和每一个聚类核心的距离,把数据向量分配到距离最小的核心向量中,核函数确定有效影响范围;最后对像素聚类相异性分析,给出了算法流程。实验仿真显示这种算法对图像边缘特征提取轮廓清晰,连贯性好,评价指标MS和聚类准确率较好,算法收敛快。     

水声目标信号的系统聚类分析

本文简要介绍了基于五种类间距离的系统聚类算法,利用它们实现水声目标的特征提取,并对一些实际水声目标数据进行了分析,最后,利用聚类分布图和分离系数对这些算法的有效性进行了比较评价。     

基于图像信息约束的三维激光点云聚类方法

针对移动机器人在未知环境感知过程中对三维点云快速聚类分割的需求，提出一种基于图像信息约束的三维激光点云聚类方法。首先通过点云预处理获取有效的三维环境信息，采用RANSAC方法进行地面点云的分割剔除。其次传感器数据在完成时空配准后引入YOLOv5目标检测算法，对三维点云K-means聚类算法进行改进，利用二维图像目标物的检测框范围约束三维点云，减少非目标物的干扰；基于图像检测信息实现点云聚类算法的参数初始化；采用类内异点剔除法优化聚类结果。最后搭建移动机器人硬件平台，对箱体进行测试，实验结果表明，本文方法的聚类准确率和聚类时间分别为86.96%和23 ms，可用于移动机器人导航避障、自主搬运等领域。     

基于WebGIS的电子商务空间数据挖掘方法研究

聚类是重要的空间数据挖掘技术,主要用于在隐含的数据中发现有意义的数据分布和数据模式。针对k-means算法依赖于聚类中心,聚类个数以及容易陷入局部最优的缺点,提出"蚁群聚类算法",并将此算法应用到WebGIS的电子商务平台中。实验结果表明:此算法具有良好的性能。     

基于改进遗传算法的聚类新方法

提出一种基于改进遗传算法的聚类新方法(GAKME),该方法采用遗传算法和k-medoids算法相结合,既可以很好地解决局部最优的问题,也可以很好地解决孤立点的问题,同时还可以加快遗传算法的收敛速度,节约时间成本。     

基于密度聚类和圆外切线斜率拟合的埋地排水管道声呐点云去噪技术

针对环扫声呐扫描结果受到排水管道内混合水声的影响问题,提出一种声呐扫描点云数据去噪的方法:在环扫声呐扫描得到的三维点云数据基础上,通过密度聚类优化算法,去除点云数据中的噪声,然后采用类圆外切线斜率拟合的方式,识别出管道内壁界限和淤泥淤积线,最终得出包含排水管道内壁界限和淤积线特征的模型。为验证有效性,以武汉市某排水管道为例进行分析,基于现场采集的98万个点云坐标进行数据去噪和特征提取,结果表明:采用密度聚类优化算法进行点云数据初筛后,通过圆外切线斜率拟合算法能有效识别出排水管道内壁界限和淤积线,拟合半径均方误差0.0071m,相较于单一密度聚类算法拟合精度更高,去噪效果更好。