一种面向空间对象群的聚类算法

将空间对象按一定的空间关系分组,构成空间对象群,每个空间对象群包含类型多样、数量不等的空间对象.提出一种空间对象群的相异度计算方法,并提出空间对象群聚类算法SOGC.它将类型多样的空间数据集分层表示,计算空间对象群中对象在不同层上属性分布的隶属度,以此计算空间对象群的相异度.与一般的聚类算法不同,SOGC考虑了空间数据的复杂性和数据之间的联系.实验结果表明算法SOGC是有效的,对地理空间数据分析具有实用价值.     

基于位置感知的无线传感器网络聚类算法

针对以能量有效的方式收集传感器网络空间相关性数据的问题,本文提出了一种新的基于位置感知的无线传感器网络聚类算法.算法根据用户查询误差门限和基于位置信息的节点感知数据相异度矩阵,进行无监督数据挖掘,将监测区域划分成信息等价域.每个等价域选取域内当前剩余能量最大的节点作为簇头,网络通过移动代理收集簇头感知信息,从而减少了传输数据量,有效节省了网络能量.     

基于拓扑聚类的密度聚类算法研究

聚类分析是重要的数据挖掘方法,在商务智能、地理信息系统、医学等方面有广泛的应用.随着聚类分析的蓬勃发展,涌现出了许多聚类算法,其中最重要的算法之一是基于密度的空间聚类以及其多种变种——基于密度连通链、基于加权密度、基于引力连通集合的算法.这些算法在概念上相似但没有统一的描述.本文针对基于密度的空间聚类及其变种提出了拓扑的概念.给出了聚类拓扑结构的定义,把簇定义为拓扑连通集合.此外,本文运用全新的拓扑思想改进典型的算法,提出了一种拓扑聚类的新算法.实例证明此算法有效.     

考虑对象方向关系的密度聚类算法

 聚类分析是数据挖掘的一个重要研究方向.为了在大规模空间数据库中发现任意形状的聚类,Martin Ester等提出基于密度的聚类算法DBSCAN.针对DBSCAN处理聚类边界对象的不足,提出了聚类时考虑对象方向关系的改进算法,实验表明,改进算法在不改变时间、空间复杂度的情况下能得到更好的聚类结果.     

基于人工免疫网络的k-平均聚类算法的研究

以人工免疫网络理论结合k-平均算法,尝试了一种聚类分析的新的解决方案.对k-平均算法中每一次迭代求平均值来确定聚类中心的方式进行改进,采用人工免疫网络中克隆选择和变异机制对聚类中心进行操作,选取最优抗体作为下一次迭代的聚类中心,克服了k-平均算法中对孤立点敏感的缺点,从而大大减少了迭代次数.通过对4组标准数据的实验,结果表明,该算法具有很好的自适应性,收敛速度快,提高了聚类性能.     

分类矩阵对象数据的BC-k-modes聚类算法

为了对含有多个特征向量的分类矩阵对象数据进行描述,提出了一种新的基于簇间信息的分类矩阵对象数据的聚类算法(between-cluster k-modes,简称BC-k-modes).该算法利用k-modes算法的聚类过程,对分类矩阵对象数据进行聚类,导出隶属度矩阵与聚类原型的更新公式,通过增加簇间信息对目标函数寻求局部最优解.最后在五个真实数据集上进行了实验,结果表明该算法对真实数据的聚类效果明显优于其他算法.     

一种基于复杂网络属性值的K-means聚类算法

传统-means聚类算法的性能依赖于初始聚类中心的选择.本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的K个节点作为聚类的初始聚类中心,然后进行聚类迭代过程.实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量.     

基于SOFM网络的改进K-均值聚类算法

针对传统的K-均值聚类算法中随机选取初始聚类中心的缺陷,提出一种改进的K-均值聚类算法,利用自组织特征映射网络(SOFM)自动获得初始聚类中心.实验结果表明,改进的K-均值聚类算法能有效改善聚类性能,提高聚类的准确率.     

网络入侵的聚类算法研究与实现

入侵检测中对知入侵的检测主要由异常检测完成,传统的异常检测方法需要构造一个正常行为特征轮廓的参考模型,但建立该特征轮廓和确定异常性报警的门限值都比较困难,而且建立该特征轮廓使系统开销大.据此本文提出一种针对入侵检测的聚类算法和一种数据处理方法.该算法通过动态更新聚类中心和类内最大距离实现,收敛速度快,再结合对数据的预处理使聚类效果更好.实验结果表明,此算法用于以未知入侵检测为代表的特殊模式检测方面是可行和有效的.     

基于改进聚类算法的RBF网络及其应用

RBF网络可以逼近任意连续非线性函数,且训练速度快,性能好,被广泛应用于过程建模和预测。RBF网络的一个重要因素是隐层节点的选择,隐层节点过多或过少都会影响最终网络的性能。提出一种改进的k-means聚类算法,可以自动确定最优的聚类区数,并且可使最终的聚类中心合理地分布在数据空间中。在应用RBF网络进行建模和预测时,采用该方法确定隐层节点的中心,跟用通常的聚类方法相比,可以大大减小网络规模。仿真和实际应用结果都证明该方法的有效性。     

一种基于光流和二级聚类的移动背景下的目标检测算法

针对现有的移动背景下的目标检测算法存在检测速度较慢、自适应性差和检测准确度不高的问题,提出了一种基于光流和二级聚类的移动背景下的目标检测算法;该算法融合了阈值自适应规则和基于优化检测结果的反馈机制。首先采用Lucas-Kanade光流跟踪算法和DBSCAN聚类算法提取出前景目标,然后采用改进的凝聚层次聚类算法将前景目标分类。在第一级聚类时建立基于初始聚类结果的自适应规则,实现了自适应地检测目标;在第二级聚类后,通过去除错误匹配特征点和阴影区域特征点优化检测结果;并将优化后的检测结果反馈给第一级聚类过程以更新适用阈值,使目标检测更准确。在多个视频库上进行验证,实验结果证明该算法检测速度快、自适应性良好、检测准确度高。     

运动物体变化检测算法研究

运动物体的变化检测,恢复和提取是运动检测中的三个重要环节,本文根据视频监控设备CCD器件成像特征以及帧间差运动变化检测方案,建立了一种利用灰度均值和方差作为判决门限的高斯运动变化检测模型,运动检测实验证明,利用该模型可以相对准确的检测出视频序列图像中的运动变化区域.     

一种抗遮挡的运动目标跟踪算法

针对当前目标跟踪算法受环境干扰大、抗遮挡能力差等不足,设计一种抗遮挡的运动目标跟踪算法.首先分析经典运动目标跟踪算法——均值漂移算法的局限性,然后从目标候选特征中选择对跟踪贡献最大的显著特征,并采用自适应的模板更新策略提高运动目标精度.仿真实验结果表明,该算法能对运动目标进行准确、实时跟踪,加快了运动目标跟踪速度,且对遮挡目标具有良好的鲁棒性,可获得更理想的运动目标跟踪结果.     

路网中基于RQOP树的移动对象索引技术研究

基于位置的信息服务需要高效的索引方法来管理移动对象.针对PMR QUAD树索引路网空间时不平衡、部分路段重复存储且索引结构可调整性差的问题,用RQOP树对路网空间按照路段的空间分布进行划分,使树的高度尽可能低,改进基于路网的动态组合索引结构.对照实验表明,基于RQOP树的索引结构提高了查询效率.     

一种基于交通路网的移动对象索引结构

以提高移动对象数据库中交通道路上的移动对象位置查询效率为目标,通过借鉴FNR-tree的思想并加以改进和综合运用hash表、动态数组、B树、单循环链表,设计了一种新的基于交通路网的移动对象索引结构(Dynamic and Efficient Index,DEI),并给出了操作算法.DEI索引结构由道路hash部分、时间信息结构和移动对象hash结构3部分组成.DEI支持对移动对象的过去、现在和将来位置的有效查询,可实现移动对象的快速定位.仿真实验结果验证了DEI的性能优势.     

卫星网络中多因素均衡的分簇算法

根据卫星运动的规律性,将卫星的运行周期离散化为若干时间片,采用每个时间片内网络拓扑固定不变的原理,对簇的稳定性、抗毁性和传输效率等因素进行均衡和优化;提出低地球轨道(LE0)卫星网络分簇算法,并将算法应用于Iridium模型中.仿真结果表明,应用该分簇算法后网络层的信令开销、可扩展性等指标明显优于平面网络结构下的性能.     

一种运动目标阴影轮廓的两步检测算法

由于运动阴影具有与运动前景相同的特性,在视频处理中分割前景时存在误把阴影检测为前景的问题,可能严重地影响跟踪、识别等后续处理,据此提出一种用于运动目标阴影检测的改进算法。先为每个像素点建立混合高斯模型分割出运动目标,利用阴影区域像素8个相邻区域上像素点的亮度特点判断疑似阴影,然后运用色彩空间向量模型的颜色不变性对所有疑似阴影进行聚类,进一步完成阴影检测。试验结果表明,该方法检测精度高、效果好、速度快,有广泛的应用前景。     

基于Mean Shift算法跟踪视频中运动目标

针对Mean Shift算法在视频中跟踪目标与背景的像素差值不明显时跟踪效果不佳,提出了Mean Shift改进算法.实验表明,该算法能有效、准确地跟踪视频中的运动目标,计算量小,可以满足实时性要求高的场合.     

公路网上移动对象连续k近邻查询的一种方法

公路网上移动对象连续k近邻查询是最近时空数据库查询中的一个研究热点,它是在一个时间段内找到离查询点最近的K个移动对象.我们分析了现有查询方法,存在的问题主要是运动对象位置随时间而频繁变化以至于不能及时更新运动对象的信息而导致返回KNN结果不正确.为了解决这些问题,采用一种距离预计算方法,使计算量减少,从而为更新通讯获得更多时间.通过实验证明,我们提出的方法是有效的.     

基于背景差分的高速公路运动目标检测算法

针对背景差分法难以适应光照变化频繁且对实时性要求较高的高速公路监控环境的问题,提出一种差分图像自适应阈值确定算法,利用统计学方法对差分图像中目标的灰度值进行快速有效的分类,并将分类界限作为自适应阈值,再利用差分图像的梯度分布辅助判断运动目标的区域.试验结果表明,该算法可以适应不同的监控环境,能准确识别交通目标,且具有较好的稳定性.