密度峰值快速搜索与聚类算法及其在船舶位置数据分析中的应用

密度峰值快速搜索与聚类算法(CFSFDP)是2014年发表在《科学》上的一种新颖的聚类算法,该算法通过计算样本点的局部密度和到局部密度比它大的样本点的距离,采用决策图的形式确定聚类中心,能快速发现任意形状数据集的密度峰值点,并高效进行非中心样本点分配。但是当数据集中簇间密度差别较大或者某个簇中存在多密度峰值时,聚类结果较差。针对该问题,采用相对密度作为度量样本点密度的尺度搜索密度峰值,优化CFSFDP算法。人造数据集和UCI真实数据集上的实验表明,在没有显著提高时间复杂度的基础上,算法的性能优于CFSFDP算法和具有噪声的基于密度的聚类应用(DBSCAN)算法。最后将新算法应用于船舶位置数据,分析船舶交通流特征和群体行为模式,取得了满意的结果。     

船舶轨迹异常检测方法研究进展

近年来,异常检测技术在分析和利用船舶轨迹数据中扮演着越来越重要的角色,已经成为航海领域的一个热点研究方向。船舶轨迹的异常检测旨在利用相关的异常检测算法,研究船舶个体或群体的行为特征,发现隐藏在其中的船舶异常行为模式或船位。主要从船舶位置和行为方面分析了船舶异常行为的概念和分类,综述了船舶轨迹异常检测的方法,评述了各方法在船舶轨迹异常检测中应用的优点和不足,讨论了船舶轨迹异常检测存在的问题和面临的挑战。     

海上交通视景仿真平台的构建方法探讨

海上交通视景仿真平台主要是借助实地测量、遥感(RS)、地理信息系统(GIS)等手段采集基础数据,构建一套专门针对港口水域再现的实时三维视景仿真平台,在该平台上,可以进一步开发有关港口通航安全评估、交通监管设计,提供直观、科学的交通状况实时模拟,能够为海事管理提供海事监管、搜救指挥力量的配置方案制定与分析等方面的强有力的、科学的辅助支持[1]。结合福建省湄洲湾港口海上交通视景仿真平台的实际研究和开发,从技术实现角度,做简要介绍。     

一种基于偏离的局部离群点检测算法

针对现有的局部离群点检测算法对数据对象不加分区,致使计算复杂度高的问题,提出了一种基于偏离的局部离群点检测算法.该算法首先对数据集进行分区,将可能存在的局部离群点与其紧邻的簇划分到一个数据块中,然后在每个数据块内,根据离散系数刻画各个数据对象的偏离度,从而求得每个数据对象在其所属的数据块内的局部偏离因子,发现可能存在的局部离群点.理论分析和实验结果表明,该算法具有良好的识别局部离群点的能力,检测的准确率和时间效率均优于经典的LOF算法.     

探讨110kV输电线路的状态检修

本文首先对110kV电线路状态检修的必要性进行概述,分析了110kV输线路状态检修的内容和常见技术,提出了110kV输线路中的状态检修。     

市场经济模式下的广告艺术设计教学

广告艺术设计专业是一门与市场联系紧密而又要求动手能力很强的专业,由于市场经济的发展很多设计公司招聘人才更多的是考察应聘人员的工作经验和工作能力等因素。这就要求我们在教学中要根据市场的需要设定人才培养方案,以培养学生的实践能力、创新能力为目标构建学内容和课程体系。在课程的教学中将理论与实践融合作为组织教学的最基本原则,把理论课教育融入到实践中,在实践的过程中检验理论,在理论的指导下进行实践;将获取知识及应用知识解决实际问题的能力的培养作为专业教学的重点;将学校与企业的资源共享、优势互补的运行机制作为教育目标实现的有效途径。     

一种基于相对密度和决策图的聚类算法

聚类是数据挖掘领域的一个重要研究方向,针对复杂数据集中存在的簇间密度不均匀、聚类形态多样、聚类中心的识别等问题,引入样本点k近邻信息计算样本点的相对密度,借鉴快速搜索和发现密度峰值聚类(CFSFDP)算法的簇中心点识别方法,提出一种基于相对密度和决策图的聚类算法,实现对任意分布形态数据集聚类中心快速、准确地识别和有效聚类.在7类典型测试数据集上的实验结果表明,所提出的聚类算法具有较好的适用性,与经典的DBSCAN算法和CFSFDP等算法相比,在没有显著提高时间复杂度的基础上,聚类效果更好,对不同类型数据集的适应性也更广.     

融合密度峰值和空间邻域信息的FCM聚类算法

针对模糊C均值(FCM)算法聚类结果对初始中心点敏感以及聚类过程中没有考虑到不同密度样本点在聚类过程中影响力不同的缺陷,提出了一种密度峰值和样本点空间邻域信息优化的FCM算法。改进后的算法选择数据集中具有局部密度峰值的样本点或者局部密度较大的样本点作为初始聚类中心,充分考虑样本点邻域之间的关系,增加局部密度值大的样本点在聚类中心迭代计算过程中的影响力,从而达到优化FCM算法聚类效果的目的。理论分析和在人造数据集、加州大学欧文分校(UCI)机器学习数据库中真实数据上的实验结果表明,改进后算法的抗噪性、聚类效果和全局收敛能力均优于传统FCM算法。