VDBSCAN:变密度聚类算法

传统的密度聚类算法不能识别并聚类多个不同密度的簇。对此提出了变密度聚类算法VDBSCAN,针对密度不稳定的数据集,可有效识别并同时聚类不同密度的簇,避免合并和遗漏。VDBSCAN算法的基本思想是:根据k-dist图和DK分析,对数据集中的不同密度层次自动选择一组Eps值,分别调用DBSCAN算法。不同的Eps值,能够找到不同密度的簇。4个二维数据集实验验证了VDB-SCAN算法的有效性,表明VDBSCAN算法可以有效地聚类密度不均匀的数据集,且参数Eps的自动选择方法也是有效的和健壮的。     

基于离群点检测和自适应参数的三支DBSCAN算法

针对经典的DBSCAN算法存在难以确定全局最优参数和误判离群点的问题,该算法首先从选择最优参数角度出发,通过数据集的分布特征生成Eps和MinPts列表,将两个列表中的参数进行全组合操作,把不同的参数组合依次进行聚类,从而寻找准确率最高点对应的参数。最后从离群点角度出发,将三支决策思想与离群点检测LOF算法进行结合。该算法与多种聚类算法进行效果对比分析,结果表明该算法能够全自动化选择全局最优参数,并提高聚类算法的准确性。     

基于划分DBSCAN算法的小区载频配置优化

为了充分利用无线网络资源,提升无线网络质量,充分利用了DBSCAN（Density Based Spatial Clustering of Applications with Noise）算法的优点,提出基于划分DBSCAN算法的话务量异常小区的检测方法,并通过对现网大量话务数据的统计分析,找出小区载频配置数和最佳话务量之间的关系。对话务量异常、拥塞率高的小区进行载频配置优化,并对城市小区网络优化有一定的指导意义。     

多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。

     

一种改进的基于密度的聚类算法

聚类是数据挖掘领域中的一个重要研究方向,在基于密度的聚类算法DBSCAN的基础上,提出了一种改进的基于密度的聚类算法,该算法在核心点的邻域扩展中不再将邻域内的点作为种子点,而是按顺序选择一个邻域外未被标记的点作为种子点,然后分不同情况进行相应的聚类扩展,此算法可以有效减少聚类中核心点邻域重叠区域查询的次数和运行的时间,实验测试结果也表明该算法聚类的效率和质量明显优于DBSCAN算法.     

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。     

基于DBSCAN技术的SAR图像感兴趣区域鉴别

使用一种新奇的聚类方法从粗略检测后的SAR图像中提取感兴趣区域(ROI),再通过多特征提取和综合鉴别,去除虚警保留目标,为进一步的目标识别做准备。自动目标聚类是基于SAR图像的自动目标识别系统的难点之一,带有噪声的基于密度的聚类方法 (DBSCAN)可以发现任意形状的聚类目标,只依赖于两个不敏感的系统参数,通过区域判断缩减计算时间减少计算内存,很好地适应了自动目标识别的系统需要。多特征目标鉴别方案基于聚类结果,研究聚类得到的感兴趣区域,通过提取多种特征综合判断,有效去除了虚警。所述方法已应用于某SAR-ATR系统,得到了很好的应用体验。     

基于DBSCAN的单粒子激光电离质谱数据分析

大气气溶胶飞行时间质谱仪在对气溶胶粒子的测量过程中会产生大量包含单粒子的化学成分和粒径信息的数据.介绍了DBSCAN对三种混合气溶胶单粒子质谱数据进行聚类分析的研究,同以往的质谱分析方法相比,DBSCAN利用类的高密度连通性,可以快速发现各种形状的类,更有利于质谱数据的分析.实验结果表明,DBSCAN算法可以成功地对这三类物质进行分类.     

一种应用于噪声点分布密集环境下的噪声点识别算法

为了提高DBSCAN及其改进算法在噪声点分布密集环境下的噪声点识别率,通过结合PageRank算法思想及噪声数据分布密集的特点,构造簇间投票映射函数,提出了簇间投票噪声点识别算法-NoiseRank 。实验结果表明,在噪声点分布密集环境下,NoiseRank算法比DBSCAN算法具有更高的噪声点识别率。     

改进DBSCAN算法中参数Eps值的确定

DBSCAN算法中,参数Eps的值对聚类结果影响很大。本文把算法中确定Eps的值转换为用户对数据中噪音水平的估计,使参数的确定更加客观。实验表明,改进后的算法有较强的鲁棒性。