基于MapReduce的并行k-modes算法

k-modes是一种代表性的分类数据的聚类算法。首先对k-modes聚类算法的实现过程进行了改进:通过在分配数据对象到簇时更新这个簇中各个属性项的次数,使得在遍历一次全部数据对象就能计算出新的簇中心。为了使k-modes能够处理大规模分类数据,在Hadoop平台上用MapReduce并行计算模型实现了k-modes算法。实验表明:在处理大量数据时,并行k-modes比串行k-modes极大地缩短了聚类时间,取得了较好的加速比。     

结合多次DBSCAN和层次聚类算法的膜蛋白单分子定位超分辨图像分割

膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能，在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像（SMLM）技术为在纳米尺度解析膜蛋白的空间分布提供了可能，但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法（DBSCAN）是常用的聚类方法之一，但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法，该算法以DBSCAN方法为分割基础，通过进一步的面积阈值分析和层次聚类，在保持超分辨点簇图像精确聚类识别的前提下，仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法，有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。     

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。     

无线传感网中基于DPAM-MD算法的恶意节点识别研究

随着无线传感器网络的不断发展,恶意节点对其安全造成了极大的威胁。传统的基于信誉阈值的模型无法准确的识别亚攻击性等恶意节点,而且会出现低识别率和高误判率等问题。为了解决这些问题,引入了基于DPAM-MD算法的新型恶意节点识别方法,在传统信誉阈值判断模型的基础上,通过结合曼哈顿度量和DPAM算法识别出亚攻击性节点。算法中提出一种新型的基于密度的聚类算法,并结合簇间和簇内距离均衡化的目标函数,将所有的节点进行分类。该算法可以提高聚类质量,有效缩短聚类时间,提高了恶意节点识别的效率。经仿真实验结果验证,改进后的算法对识别特征不明显的恶意节点效果十分显著。     

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。     

基于密度聚类与SVM的非法广播信号识别研究

针对非法广播信号的危害,以及传统人工检测效率低的问题,提出一种基于密度聚类与SVM的信号识别模型。首先,采用标准欧式距离对特征信号进行提取;其次,以聚类样本为基础,采用SVM分类器对信号分类;最后,以青海广播电视局中波台整点时刻前后300帧的数据为样本,以静音信号作为评价指标,对信号进行识别。结果表明,在正常信号中加入非法信号后,频谱中有少量的静音信号,且SVM训练时间和识别正确率都要优于传统算法。     

基于AKD-means算法对轨迹数据的聚类研究

根据传统的K-means算法不能事先确定聚类分析方法的数量,在原始聚类中心选择敏感而且很容易受孤点数控制造成聚类结果不好的情况,给出了一个有效的簇中距离算法以及和原始簇中心选择相结合的AKD-means算法。首先,由提出的基于距离的LAND-DBSCAN方法 ,去除样本中的噪音数据并决定了其中的最佳聚类分析方法数量;其次利用提出的基于簇中心的K-means++方法进行聚类,并求出了聚类的类簇中心点。对西安市出行的轨迹数据集进行实证分析,并选择了轮廓系数、DBI、inertias等验证指数,与Kmeans算法、DBSCAN与K-means结合算法进行了对比验证,结果表明AK-means算法的精度高于后两者。     

DBSCAN和GRU算法在桥梁监测系统的研究

桥梁监测系统通过实时监测桥梁的各项指标来保证桥梁的安全运行,但监测数据在传输的过程中,不可避免地会产生噪声,从而对后续的数据预测产生较大干扰。通常利用聚类找出离散点来去除噪声,传统的K-means算法聚类前需要指定聚类簇数,以空间中K个点为中心进行聚类,对最靠近的对象归类,但海量的桥梁数据易受环境因素影响,因而无法预先指定数据簇。DBSCAN无需事先知道要形成的簇类的数量,可以自动确定簇个数。另外,桥梁数据是以时间戳存储的时序数据,在时序数据预测算法中,LSTM和GRU算法能够解决RNN算法的梯度爆炸问题,而GRU比LSTM参数量少,可以减少过拟合风险。基于此,文中以郑万高铁巫山大宁河双线大桥为研究对象,提出一种DBSCAN和GRU神经网络相结合的数据预测算法,以DBSCAN剔除噪声数据,并利用GRU神经网络对桥梁的压力进行深度学习,预测下一时刻的数据,然后进行异常检测。实践结果表明：所提算法可以准确地预测桥梁下一时刻的压力值,与LSTM算法相比,该算法的决定系数提高5.2%,均方根误差和平均绝对误差分别降低8.3%和11.6%;同时系统还能及时发送预警短信,为桥梁的安全提供保障。     

基于AP密度聚类方法的雷达辐射源信号识别

未知雷达辐射源信号识别一直是雷达对抗情报分析中的难题。针对基于密度的聚类算法在处理不均匀样本时识别率较低的缺陷,将该算法与亲和传递（AP）聚类算法结合,提出一种基于AP密度聚类的识别方法。该方法先利用AP聚类方法对数据样本进行初步聚类,再设定相关参数,运用基于密度的带有噪声的空间聚类（DBSCAN）算法进行二次聚类。相对于原样本,初始聚类结果分布具有一定的代表性,容易找到适合DBSCAN方法的参数值。测试表明该方法具有较高的识别率。     

聚类算法在四个超级单体强对流过程雷电预警中的应用

选取2020年5月3日邢台出现四个超级单体的强对流过程,以6分钟的间隔对三维闪电数据进行划分,使用DBSCAN聚类算法删除离散点,使用K-means聚类算法对三维闪电数据进行聚类分析。选取轮廓系数最大的K值,并与雷达回波拼图数据进行对比,识别四个超级单体并计算聚类中心和聚类最大半径,使用趋势外推法对四个超级单体的运动轨迹进行预测。分析表明：DBSCAN聚类算法可以有效删除离散点,操作性强;四个超级单体的K-means算法聚类中心和30 dBZ以上的强回波区域一致性较好,可以获取聚类中心运动轨迹和聚类最大半径;使用临近三个时次数据进行趋势外推,MSE最小,该方法对雷电预警信号发布有参考价值。     

DBSCAN算法在雷达全脉冲信号分选中的应用

对雷达辐射源信号进行准确分选是电子对抗情报分析的基础性问题,聚类是进行全脉冲分选的一种有效的方法。基于密度聚类的DBSCAN算法具有抗噪声性能好,能处理任意形状和大小的数据的优点,适合全脉冲信号的数据特征。文章应用DBSCAN算法对雷达全脉冲信号分选进行了研究,仿真结果证明该方法简单有效。     

基于半监督学习聚类数据标注的多功能雷达工作模式识别

对多功能相控阵雷达工作模式准确识别可为电子对抗决策提供依据，具有重要研究意义。现有工作模式识别方法主要基于已知标签的训练集，而实际中先验信息匮乏，数据标签难以获知，极大影响了工作模式识别性能。为此，提出了一种在少量先验信息辅助下基于半监督学习聚类实现未知数据标注的工作模式识别方法。首先根据聚类算法的内部评价指标和外部评价指标对比分析AP聚类(affinity propagation clustering)、DBSCAN聚类(density-based spatial clustering of applications with noise)和模糊C均值聚类(fuzzy C-means clustering, FCM)3种典型聚类算法的性能，验证了AP聚类算法性能最优，并将其应用于对截获数据的数据标注中。然后利用卷积神经网络对雷达工作模式进行识别，并与已知标签训练集下的网络进行对比，验证了基于AP聚类算法进行数据标注的可行性，提升了相较传统识别网络的抗噪性，为后续多功能雷达行为认知提供了基础。     

基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法

毫米波雷达已成为车联网中的主流传感器之一,可用于交通场景的多目标跟踪。本文将毫米波雷达安装于道路上方进行交通目标跟踪,针对基于帧内DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类的多目标跟踪中,在该安装场景下多径噪点难以去除和纵向的交通目标点云难以区分的问题,提出了基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法。该算法使用多帧合并处理的方式,利用帧序特征用于解决多径噪点问题,并利用空间纵向分段的方法改善了原算法在纵向上目标区分度不足的缺点。本文通过六组不同的实际场景实验,证明了本方法在不同场景下,均相比原方法对跟踪结果有不同程度的改善。      

一种基于近类点和模糊点的未知雷达信号分选算法

针对基于密度聚类（DBSCAN）算法不能发现雷达信号密度分布不均匀的缺陷,提出了一种基于近类点和模糊点的聚类方法。该方法利用同一部雷达数据的分布特性进行聚类,通过确定近类点和模糊点以达到分选不同密度分布的雷达信号,适用于未知雷达信号的分选。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

基于改进高斯核函数的雷达高分辨距离像目标识别算法研究

针对支持向量机的核函数选择问题,在保形变换方法的基础上,分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法。利用支持向量机的高斯核函数,提出一种基于改进的高斯核函数雷达目标高分辨距离像的研究方法。该方法对SVM的高斯核函数进行改进,并进行核函数选择。通过改进的高斯核函数与多项式核函数进行比较,在Matlab环境下采用两种方法对高分辨距离像进行仿真,仿真方法验证并改进了高斯核函数的有效性。     

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.     

结合改进DBSCAN和统计滤波的单光子去噪算法

为了解决光子计数激光雷达探测数据中噪声点云过多的问题, 采用结合基于密度的噪声空间聚类应用算法(DBSCAN)和统计滤波算法的单光子点云去噪方法, 以美国国家航空航天局提供的多波束试验激光雷达实际飞行数据为实验数据, 通过k维树求取点云密度进行粗去噪, 然后运用改进DBSCAN算法和统计滤波算法进行精去噪, 进行了理论分析和实验验证。结果表明, 实验区目标点云识别率在85%以上, 性能优于经典的半径滤波算法。这一结果对于光子数据去噪是有帮助的。     

一种新的未知雷达信号快速分选方法

针对未知雷达信号聚类分选实时性较差的问题,提出了一种改进的DBSCAN聚类分选方法。该方法首先依据脉冲数据在参数空间中的分布特性,寻找一些参考点来合理代替原有数据,然后利用这些参考点的密度连通性进行聚类处理。由于该方法减少了参与聚类运算的数据个数,因而有效克服了原算法计算量较大的缺陷,提高了未知雷达信号的聚类分选速度。仿真结果验证了改进方法的有效性。