基于自适应近邻参数的密度峰聚类算法

针对基于共享最近邻的密度峰聚类算法中的近邻参数需要人为设定的问题,提出了一种基于自适应近邻参数的密度峰聚类算法。首先,利用所提出的近邻参数搜索算法自动获得近邻参数;然后,通过决策图选取聚类中心;最后,根据所提出的代表点分配策略,先分配代表点,后分配非代表点,从而实现所有样本点的聚类。将所提出的算法与基于共享最近邻的快速密度峰搜索聚类（SNN?DPC）、基于密度峰值的聚类（DPC）、近邻传播聚类（AP）、对点排序来确定聚类结构（OPTICS）、基于密度的噪声应用空间聚类（DBSCAN）和K-means这6种算法在合成数据集以及UCI数据集上进行聚类结果对比。实验结果表明,所提出的算法在调整互信息（AMI）、调整兰德系数（ARI）和FM指数（FMI）等评价指标上整体优于其他6种算法。所提算法能自动获得有效的近邻参数,且能较好地分配簇边缘区域的样本点。     

变工况条件下的风电机组齿轮箱故障预警方法

针对风电机组运行工况复杂多变,难以实现故障特征提取和预警指标量化的特点,提出基于k邻近度异常检测技术的风电机组故障预警方法:首先利用阶比重采样技术将时域非平稳信号转换为角域的平稳或准平稳信号;其次构建出新量纲一幅域特征值,提取阶比重采样角域信号早期故障特征;最后将振动角域序列映射成多维特征向量,通过基于k邻近度的异常点检测技术挖掘机组潜在异常信息,实现机组的早期故障预警。试验仿真验证了该方法的有效性。     

基于八叉树空间分割的k近邻搜索算法

以三维扫描得到的散乱点云为基础,提出了一种基于空间八叉树的快速k近邻搜索算法,通过对点集建立包围盒,利用八叉树记录分割过程,从而使近邻点的搜索只局限于采样点所在的包围盒及其周围的包围盒,并通过剪枝策略使搜索范围进一步缩小。大量真实数据的实验结果表明：该算法可以很好地提高近邻点的搜索速度。     

基于测量步距的散乱点云k近邻搜索算法

提出了一种基于测量步距d的k近邻快速搜索算法。该算法根据三维测量原理,综合考虑了测量数据的密度ρ和测量误差δ,给出了散乱点云数据的临界搜索半径r,极大地缩小了k近邻的搜索区域。考虑到邻近点数k的取值,弹性地改变搜索半径r以满足不同k值的需要,实现散乱点云数据k近邻的快速最优搜索。     

数字拓扑学中有关k-近邻点问题的探讨

从数字几何的角度,对数字拓扑学中有关k-近邻点问题进行整体的探讨及改进.重点给出了任意n维空间中k-近邻点中k可能取值的一般推导公式及相关结论的证明,为进一步研究k-近邻点相关内容提供了有力的理论依据.     

大型网络中近似子图匹配研究

为降低噪声对近似子图匹配准确率的影响,提出一种改进的近似子图匹配方法。在预处理阶段,利用k-近邻顶点集为数据图中的每个顶点建立标签-权重向量索引。在查询过程中,基于单个近邻标签的权重距离和所有近邻标签的整体匹配程度进行两级过滤,生成顶点候选集,采用生成树匹配和图匹配的方式确定查询图在大型网络中的位置。在真实数据集上的实验结果表明,该方法具有较高的执行效率和匹配准确率。     

k-LDCHD--高维空间k邻域局部密度聚类算法

聚类是数据挖掘领域的一项重要课题,高维空间聚类以数据分布稀疏、噪声数据多、“差距趋零现象”而成为难点．在分析现有聚类算法不足的基础上,引入k邻域点集、k邻域半径等概念,提出一种高维空间单参数k邻域局部密度聚类算法k—PCLDHD;为了提高算法的效率,进一步定义了参考距离等概念,并采用“双参考数据点”对数据集中的数据对象进行预处理,以减少扫描数据集的开销。提出k—PCLDHD的优化算法k—LDCHD．理论分析和实验结果表明,算法可以有效解决高维空间聚类问题,算法是有效可行的．     

面向曲面重构的切平面法矢方向调整算法

提出一种基于法向距离的法矢方向调整算法。主要思想是根据法向距离阈值,把散乱点划分为平坦点和非平坦点两种类型;根据其邻近点是否有不平坦点来采用不同的法矢传播方式而无需建立散乱点法矢的Riemannian图;并提出了两次最近距离和一次k近邻遍历法加快了法矢的传播速度。应用实验球、切牙、磨牙、怪兽和全口牙模5个不同点云数据进行了算法验证,对怪兽和全口牙模法矢传播过程中遇到的死锁问题,使用三次最近距离法给予了解决。