一种基于流形的蚁群聚类算法

在介绍了基于信息熵的蚁群聚类算法以及流形学习的方法的基础上,将基于动态切空间排列的流形学习方法与该蚁群聚类算法相结合,给出了一种聚类算法的新思路,并在城市规划布局问题中做了仿真实验,提高了算法的收敛速度。     

一种基于流形距离的迭代优化聚类算法

针对传统欧氏距离测度描述复杂结构的数据分布会失效的问题,引入能有效反映样本集固有的全局一致性信息的流形距离作为样本间相似度度量测度,并设计了反映类内相似度大、类间相似度小的聚类目标的准则函数,把数据聚类转化成准则函数优化问题,提出了一种迭代优化的聚类算法.通过4个人工数据集的仿真试验结果表明,新方法的参数很少且实现简单,由于实现过程中没有引入随机操作,因此结果比较确定.与标准k均值算法相比,新方法能够自动确定聚类数目,对于样本空间分布复杂的聚类问题具有良好的分类效果.     

一种基于流形距离核的谱聚类和量子聚类融合算法

谱聚类是一种基于图谱划分理论的聚类算法,本质上是将聚类问题转化为图的最优划分问题;量子聚类可以充分挖掘数据样本的内在信息,是一种基于划分的无监督聚类算法.为了充分发挥谱聚类算法和量子聚类算法的优势,本文提出了一种基于流形距离核的谱聚类和量子聚类融合算法(MFD-NJW-QC).首先,计算数据集的流形距离核矩阵,构造相应的拉普拉斯矩阵;其次,根据拉普拉斯矩阵的若干最大特征值对应的特征向量构造新数据集,并使用量子聚类算法对新构造的数据集进行聚类,从而得到原始数据的类标签;最后,基于7个人工数据集和5个UCI数据集验证MFD-NJW-QC算法的聚类性能.结果显示,MFD-NJW-QC算法能够明显提高聚类性能,尤其对于具有流形结构,且类簇大小不平衡、密度分布不均匀的数据集优势更为突出.     

基于流形距离的段混合聚类算法研究

聚类分析是一种数据缩减技术,即基于数据特征的相似性将数据聚集成不同的类,是数据挖掘中一种非常有效的工具,得到了人们广泛的关注。从聚类算法中的相似性度量问题入手,采用基于流形距离的相似性度量替代传统的基于欧氏距离的相似性度量,通过二阶段聚类解决引入流形距离带来的计算量增大问题,并将这种聚类算法应用到聚类分析当中。     

基于谱聚类的流形学习算法研究

传统流形学习算法虽然是一种常用的有效降维方法,但由于其自身计算结构的限制,往往存在数据分析不足和计算时间较长等问题.为此提出一种基于谱聚类的流形学习算法(spectralclustering locally linear embedding,SCLLE),并对其机理以及优点给予了实例证明.在UCI和NCBI数据集上的实验结果表明,该算法具有较好的识别效果和计算性能.     

一种基于引力的聚类算法

将万有引力和牛顿第二运动定律的思想引入到聚类分析中,提出了一种基于引力的聚类算法CABG．该算法可以自动决定目标数据集中的簇的个数,并且能发现任意形状的簇且可以过滤“噪声”数据．实验结果表明CABG可以产生高质量的聚类结果．     

基于密度流形上的空间聚类

对于具备空间特性的数据来说,基于密度的聚类方法是一种基本且行之有效的聚类技术.尽管现有很多基于密度的空间聚类算法和技术,但是这些算法多数都假设数据分布于平滑空间.弯曲空间与平滑空间只局部存在相似性.本文的目的在于探讨一种新的基于密度的流形空间聚类,即基于弯曲空间的算法.此算法主要来源于切空间,并适用于非均匀、非线性的数据分布,同时给出了性能分析和实验测试.     

一种基于距离的增量聚类算法

在传统层次聚类基础上，提出并实现了一种基于距离的增量式聚类算法，并应用于粮食智能决策支持系统中，算法在保持层次聚类优点的基础上，利用原有的聚类结果提高聚类速度，并可以根据用户需要在聚类精度和聚类速度两方面选取一个适当的平衡点，有效地提高聚类分析的效率。     

指数统计流形性质和应用

利用信息几何的观点,考虑了指数族流形的α几何结构,并利用这些几何性质研究了热力学统计流形,在更少的限制条件下,得到的定理与一些文献的结论是相同的.最后,给出两个例子加以说明.     

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.     

基于中轴线的隧道点云去噪算法

隧道作为一个狭长的封闭空间,其点云内部噪声影响点云分析精度,有效去除隧道点云内部的噪声是基于点云隧道形变分析的关键.提出一种基于中轴线的隧道点云去噪算法.通过对点云双向投影获取隧道在水平和垂直方向的姿态变化,根据高阶多项式拟合两条平面曲线并插值中轴线控制点,通过定义空间线段的夹角加密控制点以表达中轴线.通过计算各控制点处的切平面实现对隧道点云的分割,计算各分块内点到中轴线的距离,并根据给定的距离阈值实现隧道内部点云噪声的过滤.通过两组实验分析证实该方法的可行性与精确性.第一组通过模拟隧道点云数据并采用该方法拟合中轴线,比较分析其与已知中轴线的精度.第二组通过分析处理实际的隧道点云数据,实现隧道点云内部噪声的去除.     

基于密度噪声应用空间聚类算法的机载激光雷达建筑物点云提取与单体化

针对机载激光雷达建筑物点云提取过程中自动化提取困难,以及提取后的建筑物单体化过程烦琐等问题,提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的机载雷达建筑物点云提取与单体化的方法.该方法对预处理后...     

基于SR300体感器人体扫描点云的去噪方法

为克服传统三维人体扫描系统体积大、线路复杂、成本高的缺点,采用SR300体感器获取三维人体点云,针对体感扫描点云噪声大的问题,提出由外而内,分步去除噪声的系统方法。此方法无需点云间的拓扑关系,可以直接对三维散乱点云进行处理。首先,设计体感扫描实验平台获取人体点云并采用圆柱体分割法进行点云预处理;接着,提出并实现2种体外离群点去噪的算法,即统计分析法和球半径法,将这2种算法结合使用去除不同类型的离群点;最后,调整人体深度图的双边滤波去噪算法的权重因子到合理的范围内,分别以单幅点云和全身点云为对象,去噪时间分别仅为传统双边滤波的7.52%和3.69%。借助VS2010开发环境,并调用PCL库进行大量算法实验。研究结果表明：本文方法能够有效去除内外噪点且能保持边缘特征,获得较好的三维人体点云结果。     

康威-麦斯威尔-泊松分布及其统计与概率性质

康威-麦斯威尔-泊松分布是一个有用的离散分布,它是扩展的两参数泊松分布,有关此分布的统计和概率性质被广泛研究和探索;文章以矩母函数为工具讨论了该分布的数字特征和矩,给出了参数点估计的隐式方程和费希尔信息矩阵;最后研究了参数的共轭分布、共轭分布的边际分布和条件分布.     

自适应法向量约束的工件分割方法

针对目前对工件点云分割中出现的过分割、欠分割等问题,提出一种结合欧式聚类和自适应法向量约束的工件分割方法.首先对采集到的点云进行体素滤波,使用随机采样一致性(random sample consensus,RNASAC)算法滤除背景并通过统计滤波器去除噪点,接着利用欧式聚类算法将目标点云划分成点云簇,最后针对点云簇中含...     

基于网格单元的点云降维处理算法

针对激光雷达采集数据时,由于会受到外界的干扰因素、扫描精度等负面影响,会使采集到的点云数据空间密度相差较大、存在着很大的噪声和孔洞,使得分析结果不能直接描绘实际物体的模型的问题,本文研究设计了一种基于二进制占网格的点云数据处理算法。首先将分割完成后的点云采用二进制网格的方式聚类进行降维处理,再将点云映射到网格单元中实现不同物体点云的快速聚集。最后,基于寻找出的点云主方向旋转点云从而.建立紧致随动的障碍物包围盒。通过实验验证,该方法能够在保证聚类精度的同时提高运算速度,其建立包围盒能够准确地反映障碍物的尺寸,具有良好的实时性与随动性,对移动机械臂自主避障提供了可靠的信息。     

毫米波雷达目标点云稳健自适应聚类方法

针对毫米波调频连续波多输入多输出(frequency modulated continuous wave multiple-input multiple-output, FMCW MIMO)雷达点云目标远疏近密的密度不一问题,提出了一种基于密度聚类的稳健自适应三维点云聚类方法。首先,从原始数据中提取目标的距离、方位角以及俯仰角信息;其次,结合雷达的距离分辨率和角度分辨率将提取得到的三维信息以体素形式进行表示,并计算每个体素相应的局部度量值;再次,根据局部度量值计算各个体素的聚类搜索区域;最后,结合遗传算法(genetic algorithm, GA)自适应寻找聚类过程中所需的最佳参数并实现聚类。实验结果表明,该方法能够实现毫米波雷达三维点云的有效聚类。     

点云精简的一种方法

重构曲面之前,需要对三维数据点集做精简处理,即在保留特征点的前提下剔除尽可能多的冗余点,这样可以保证后续曲面重构工作的高效进行.本文以样点邻近点与强制中心点切平面的关系,来判断局部空间点的分布情况,从而提供了一种新的数据精简方法.     

应用改进狼群算法优化模糊聚类实现点云数据的区域分割

针对模糊C-均值聚类算法用于点云分割时对初始值敏感且易于陷入局部最优,导致点云分割效果不理想,不稳定的问题。提出一种基于曲率约束的改进狼群算法优化模糊C-均值聚类的混合算法(IWPAFCM)。该算法首先在狼群算法中引入佳点集初始化种群分布;然后利用自适应步长简化参数设定、平衡寻优与收敛时间;进一步应用交互策略增强狼群的内部交流,提升狼群全局寻优的能力;最后对头狼加入高斯扰动机制使其具有跳出局部最优的能力,将IWPA得到的聚类中心作为模糊聚类的初始值进行迭代,由此得到准确的聚类中心。在此基础上,基于点云的法矢量和曲率对点云之间的距离进行定义并替换传统欧式距离,实现了理想的点云分割效果。以ModelNet40公开数据集中Chair和Stool点云模型和实测点云机械零件和汽车覆盖件点云模型为例对算法可行性进行验证,并与FCM、FAFCM、WPAFCM和MACWPAFCM算法进行对比。结果表明,对于四种点云模型,本文算法相比四种对比算法在以数值高为优的VPC聚类性能指标上平均提高0.4%-11.95%,在以数值低为优的适应度函数值Jm、VPE和VXB聚类指标上分别平均减少0.2%-11.97%、0.65%-7.35%、0.3%-19.47%,在两种ModelNet40点云模型上平均迭代次数减少8-21次,在两种实测点云模型上平均迭代次数减少39-57次,表明本文算法收敛速度快,迭代次数少,聚类效果佳,具有更高的聚类准确性和更好的综合性能。     

三维帧间配准预测的V-PCC改进算法

针对视频点云压缩(video-based point cloud compression,V-PCC)把点云序列分解成2D的非规则图像块(patch)进行编码,破坏点云连续性,不利于后续帧间预测的问题,设计一种三维配准帧间预测结合V-PCC帧间预测的改进算法.首先,为了提高点云配准的有效性,设计一种基于运动一致性的二叉...