基于密度的改进聚类算法比较

针对传统K-means算法的聚类结果依赖初始聚类中心的缺陷,提出了一种基于密度的改进K-means聚类算法,该算法选择位于数据集样本密集区且相距较远的数据对象作为初始聚类中心,实现K-means聚类。针对PAM算法时间复杂度高,且不利于大数据集处理的缺陷,提出了一种基于密度的改进K-medoids聚类算法,在选取初始中心点时根据数据集样本的分布特征选取,使得初始中心点位于不同类簇。UCI机器学习数据库数据集和随机生成的带有噪音点的人工模拟数据集的实验测试证明,基于密度的改进K-means算法和基于密度的改进Kmedoids算法都具有很好的聚类效果,运行时间短,收敛速度快,有抗噪性能。     

一种基于密度的模糊自适应聚类算法

针对密度聚类算法对邻域参数设置敏感的问题,提出一种基于密度的模糊自适应聚类算法.算法在无需预先设置聚类数以及邻域参数的情况下,可以自适应地根据样本间距离关系确定邻域半径得到样本密度,并根据样本密度逐渐增加聚类中心.为了保障聚类结果的正确性,同时提出一种新的模糊聚类有效性指标以判断最佳聚类数,消除了密度聚类算法对参数的敏感性.用UCI基准数据集进行实验,发现本文算法在对数据进行聚类时,聚类质量较原始密度聚类算法在准确性和自适应性方面均有显著提高.     

一种基于边界识别的聚类算法

针对基于密度的聚类算法由高密度区到低密度区的处理顺序所带来的不能识别低密度对象类别的缺陷,通过对聚类过程中可能存在的边界识别进行讨论,提出了一种基于边界识别的聚类算法.该算法的思想是：同簇优先权高于密度优先权,即在选择下一个对象进行聚类时,在已聚类的对象中优先选择同一簇的对象,当对象沿某一方向扩展到达簇边界时停止扩展,转而向其他方向扩展,这种处理顺序能使得类别最大化.通过分析簇边界的密度变化特征,建立了边界识别准则,并根据该准则对数据进行聚类.通过在合成数据和美国加州大学提供的知识挖掘数据库数据集上的实验结果表明,所提算法能有效地处理低密度区域的数据,与识别聚类结构的对象排序算法相比,聚类效果可提高4%左右,而时间性能相当.     

一种基于密度的分布式聚类算法

对基于密度的分布式聚类算法DBDC（density based distributed clustering）进行改进,提出了一种基于密度的分布式聚类算法DBDC＊.该算法在局部筛选代表点时结合贝叶斯信息准则BIC,得到少量精准反映局部站点数据分布的BIC核心点,有效降低了分布式聚类过程中的数据通信量,全局聚类时综合考虑了各站点数据的分布情况.实验结果表明,算法DBDC＊的效率优于DBDC,聚类效果好.     

一种基于密度的启发性群体智能聚类算法

提出一种基于密度的启发性群体智能聚类算法.针对以往群体智能聚类算法中分类错误率较高、算法运行时间较长等不足,提出记忆体方法和基于密度的先行(look ahead)策略.用人工数据集和真实数据集进行实验,将实验结果进行比较分析.分析结果表明,基于密度的启发性群体智能聚类算法能够得到令人满意的聚类结果,其分类错误率和运行时间明显小于其它聚类算法.     

近邻密度分布优化样本分配的改进DPC聚类算法

DPC算法是一种能够自动确定类簇数和类簇中心的新型密度聚类算法,但在样本分配策略上存在聚类质量不稳定的缺陷.其改进算法KNN-DPC虽然具有较好的聚类效果,但效率不高而影响实用.针对以上问题,文中提出了一种近邻密度分布优化的DPC算法.该算法在DPC算法搜索和发现样本的初始类簇中心的基础上,基于样本的密度分布采用两种样本类簇分配策略,依次将各样本分配到相应的类簇.理论分析和在经典人工数据集以及UCI真实数据集上的实验结果表明:文中提出的聚类算法能快速确定任意形状数据的类簇中心和有效地进行样本类簇分配;与DPC算法和KNN-DPC算法相比,文中算法在聚类效果与时间性能上有更好的平衡,聚类稳定性高,可适用于大规模数据集的自适应聚类分析.     

分区DBSCAN算法在激光雷达行人检测系统中的应用

摘要 行人检测过程中原始DBSCAN算法不能正确地对密度不均匀的激光点云聚类,产生错误的聚类结果导致行人检测系统出现误检和漏检。为解决这一问题,基于激光雷达的行人检测系统在原始密度聚类算法DBSCAN的基础上提出了分区DBSCAN算法。该算法将密度不均匀的点云数据划分为若干个密度相对均匀的分区,从而能实现对行人的快速准确检测。实验结果表明原始DBSCAN算法行人检测率为62.47%,使用分区DBSCAN算法的激光雷达行人检测系统行人检测率达到82.21%,相对于原始DBSCAN算法检测精度提高了19.74%;而且在时间消耗上也比原始DBSCAN算法降低了16.22%。     

一种面向数据密集型计算环境的聚类算法

针对数据密集型计算环境下数据具有海量、分布、异构、高速变化等特点,分析传统的基于密度的分布式聚类(Density Base Distributed Clustering,DBDC)算法,借助MapReduce编程模型,提出一种新的分布式聚类算法,采用局部和全局的方式处理海量、异构数据,解决具有以上特点的数据密集型计算环境下数据的分析挖掘问题。得出算法的复杂度为O((nlog2n)/p),实验验证在数据量与节点数变化时算法具有较高的稳定性和可伸缩性,与原算法对比该算法具有较高的准确度。     

一种基于密度的网格动态聚类算法的研究

聚类算法是数据挖掘领域中一个非常重要的研究方向.至今为止人们已经提出了许多适用于大规模的、高维的数据库的聚类算法.基于密度的聚类算法是其中一个比较典型的研究方向,文中以DBSCAN为基础,提出一种基于密度的网格动态聚类算法.新算法将网格的原理运用到基于密度的聚类算法中,并采用了动态的参数法,能自动根据数据的分布情况进行必要的参数更改,有效减少DBSCAN对初始参数的敏感度,从而提高了聚类的效率和效果,降低了算法I/O的开销.算法不仅能挖掘出各种形状的聚类,并能准确的挖掘出数据集中突出的聚类.     

基于密度偏差抽样的聚类算法研究

随着网络的普及和信息量的急剧增加，从海量数据中提取有用的数据信息已迫在眉睫。在对已有的基于密度偏差抽样算法改进的基础上，提出了一种基于密度偏差抽样的聚类算法。实验表明，随着信息量.数据维数的增加，该算法聚类的正确率以及对数据的处理速度都要较传统的聚类算法有所提高。     

人群聚集过程的定量分析与计算机模拟

采用群集流动理论对密云事故中的人群聚集过程进行了分析,并采用BuildingEX-ODUS疏散软件研究了相向流对群集系数的影响,通过分析得出了达到不同聚集程度需要的时间。同时根据事故发生的实际情况采用BuildingEXODUS对聚集过程进行计算机模拟,模拟结果与数学分析基本一致。研究结果可用于疏散通道的群集速度及安全容量的确定,为避免拥挤踩踏事故提供理论依据。     

行人流综述

近十年以来,人们对行人流给予了越来越多的关注.这并不仅仅是这一理论对自身不断完善的要求,更是人们对公共安全有着要求,并希望行人流理论能揭示人群运动的普遍规律.本文回顾了在行人流领域中的一些经典模型及其基本结论.叙述了来源于麦加朝圣的行人流实测结果.鉴于行人在逃生时,具有类似于动物的集体行为,因此,介绍了描述集群运动的Vicsek模型,并将此模型中的视野半径引入行人流模型.重点讨论了行人数量、视野半径和逃生时间三者之间的相互关系.利用元胞自动机模型较简要地论述了行人在逃生时,门前障碍物对行人的影响.     

基于元胞自动机和SIS传染算法的恐慌状态下行人疏散模型

为了研究人群在恐慌状态下的疏散行为特征,基于元胞自动机和SIS传染算法提出了一种用于恐慌状态下的行人疏散模型.通过场域模型给出了行人的移动收益公式,并利用SIS传染算法来研究恐慌情绪在人群中的传播规律及对疏散行为造成的影响,同时,给出了恐慌情绪量化公式.然后,通过仿真实验对疏散时间、行人密度、恐慌情绪比值和平均速度等参数进行了分析和讨论.仿真实验结果表明:行人密度与恐慌人数之间为正相关,人群到出口的距离与恐慌人数比例、恐慌因子W_p之间为正相关;恐慌情绪比值与疏散时间、恐慌因子Wp之间为负相关,人群平均速度与行人密度之间为负相关.     

基于相关性的上海世界博览会行人流分析

拥挤环境下的行人流疏导与高效排队方法的研究对于应急疏导与社会安全有着重要意义。对上海世界博览会期间40个场馆的排队长度、时间数据的自相关特性,及场馆之间的相关特性进行了全面分析。研究发现,在访问量较高、平均排队长度较长的场馆,其客流一般呈现出较明显的正相关特性,特别是客流量达1 000左右的场馆,其表现出非常强的正相关性,而小流量场馆则有着很大的不确定性。访问量和自相关性之间的关系大致满足非中心卡方分布。此外,一些临近场馆之间的客流相关性斑图有着高度的相似性。这种基于相关性的讨论,有助于构建整个景点的客流斑图和行人流预测。     

建筑物火灾时人员疏散群集流动规律

利用离散系统分析动力学的方法,首先对建筑物火灾时人员疏散群集流动中的疏散个体的动力学特征进行分析,建立群集流动的运动状态方程,研究不同空间特征的疏散通道上群集流动的规律·建立计算机仿真模型,预测应急疏散时群集流动的性状·模拟结果表明,无论待疏散微元的行为特点和心理状态如何随机的变化,群集流动性能主要取决于疏散出口的空间几何特征·它的研究成果,可以为建筑物性能化设计,建筑物空间人员应急疏散计划的制定,和建筑物安全疏散性能的评价提供科学的依据     

考虑群组运动的医疗建筑疏散模拟研究

为了研究医疗建筑内人群疏散规律,分析群组疏散模式对人群疏散的影响,通过Pathfinder疏散软件仿真模拟的方法研究了一栋5层医疗建筑内人员疏散规律。模拟结果表明：随着群组成员间的最大距离（d）增加,人群疏散时间和人群的拥堵时间呈现减小的趋势。尤其是最大距离由1.0m改变到1.5m这个过程,疏散时间下降得最明显。在最大距离超过2m之后,人群的疏散时间变化不大。在d=0.5m和d=1.0m的情况下,人群在楼梯间的拥堵情况比平面拥堵更为严重。随着病患比例的增加,人群疏散时间呈现增加的趋势,不论患者比例为多大,70%的行人拥堵时间在45s-65s。可见在医疗建筑疏散系统设计及疏散引导方面均需要考虑到群组运动带来的不利影响。     

六方格子行人疏散元胞自动机模拟研究

在正六边形网格上建立六方格子行人疏散元胞自动机模型,模拟研究房间内的行人疏散过程,并在3种人员密度（O．1,0．3,0．5）下,比较分析六方子格模型与四方格子模型在房间出口宽度,行人平均速度和平均流量与疏散时间等参数下的差异。结果表明,在同样人员密度下,六方格子模型比四方格子模型平均疏散时间更短,行人疏散得更快,四方格子模型系统平均速度与平均流量比六方格子更大。行人在疏散过程中为了更快地逃离房间可以考虑往多个的方向运动,但是要最大限度地避免出现阻塞,并尽快减少出现阻塞的区域,这样才更有利于疏散。     

基于烟气扩散特征的林区隧道火灾人群疏散模型

目的 为保障林区隧道运营安全,提高应急疏散效率,优化林区隧道的人群疏散策略和相关配套设施,提出一种基于烟气扩散特征的林区隧道人群疏散模型。方法 建立了以范围和频率为特征的烟气扩散模型,主要应用元胞自动机中的地板场模型为基本框架,引入消光系数来反映烟气扩散对距离感知的影响,使用烟气场强来描述人群的应急疏散行为。结果 相对于传统的疏散模型,改进的疏散模型适用于林区隧道的烟气环境仿真,引入消光系数后,行人的平均疏散步长增加了71 s,且消光系数值越大,疏散时间越长;当经过100 s的时间烟气扩散频率达到6元胞/s时,才能对疏散产生一定的影响。结论 所提出的疏散模型可应用于林区隧道内发光标志等安全设施的设置,对避免人员伤亡和保护林区及其相关附属设施具有重要意义。     

双出口房间人群疏散的出口选择行为

采用基于背景场的元胞自动机模型研究双出口房间的人群疏散. 为了刻画行人的出口选择行为, 引入了衰减背景场, 其中考虑了出口处拥堵的影响. 出口区域内人数的变化导致衰减背景场随之动态改变. 在疏散过程中, 行人根据变化的背景场来选择出口. 数值模拟结果显示, 在衰减背景场的作用下, 多数行人选择大出口, 少数行人选择小出口. 从两个出口离开的人群几乎同时完成疏散, 因此疏散时间明显缩短, 两个出口都得到了有效利用. 背景场衰减系数可以作为衡量行人对出口拥堵状况变化敏感程度的标志, 但衰减系数并非越大越好. 当衰减系数较大时, 会出现振荡流并导致疏散时间变长. 确定了临界衰减系数, 当衰减系数取临界值时, 疏散时间最短, 出口利用率最大. 模拟结果表明, 采用衰减背景场可以很好地描述多出口人群疏散的出口选择行为.