基于相似指纹特征的室内定位机制研究

针对指纹定位结果中存在较大定位误差问题,分析了离线相似指纹对应采集点的分布特征,发现存在部分相似指纹对应的采集点位置距离较远的特征,这导致了较大定位误差的出现。据此提出了一种基于阈值的Dynamic-kNN的算法来实现指纹的匹配,并进一步针对相似指纹的聚类特征设计了基于K-Means的聚类优化算法,从而大大减少了定位结果中较大误差的存在。实验表明,该算法能够将最大定位误差缩小到5m以内,同时4m以上的较大定位误差所占比例也明显下降。本研究与其他算法相比,在定位性能和算法开销上具有明显优势。     

基于类内和类间距离的粗粒度并行AP聚类算法

近邻传播(Affinity Propagation,AP)聚类是基于数据点间消息传递的算法,主要通过数据间的相似度实现聚类.与传统的聚类方法相比,AP聚类无需事先给定聚类数目就可实现聚类,因此具有快速高效的优点,然而在处理高维复杂数据集时存在随着聚类效率提升而准确度不高的问题.为改善AP聚类算法的效率和精度,提出基于类内和类间距离的粗粒度并行AP聚类算法——IOCAP.首先引入粒度思想将初始数据集划分成多个子集;其次对各子集结合类内和类间距离进行相似度矩阵的改进计算,最后基于MapReduce模型实现改进后的并行AP聚类.在真实数据集上的实验表明,IOCAP算法在大数据集上有较好的适应性,能在保持AP聚类效果的同时有效地提升算法精度.     

基于模糊聚类的中药对照指纹图谱研究

针对一般模糊聚类法在样本特征相似时分辨力差,以及现有的建立对照指纹图谱方法在选择样本时容易出现的随机性强,偶然人为错选等弱点,将摄动的模糊数学聚类方法（FCMBP）引用到对照指纹图谱建立的前期样本选择上,提出一种基于模糊模式识别的建立中药对照指纹图谱的新方法.通过田基黄薄层色谱指纹图谱实验证明,该方法能进一步提高对照指纹图谱的有效性和合理性.     

黔产八角枫HPLC指纹图谱研究

目的:建立黔产八角枫药材指纹图谱,结合相似度评价、聚类、主成分分析评价黔产八角枫药材品质,为其质量研究提供技术方法借鉴和基础数据。方法:色谱柱采用HC-C₁₈(250 mm×4.6 mm, 5μm),以甲醇-缓冲液(缓冲液：0.2 g庚烷磺酸钠,2.0 g磷酸二氢钾,0.3 mL磷酸,定容至1000 mL)为流动相进行梯度洗脱,运用中药色谱指纹图谱相似度评价系统(2012A版)进行相似度评价分析,采用SPSS26.0软件进行主成分分析和聚类分析。结果:建立了黔产八角枫药材指纹图谱,综合10个批次样品的色谱图谱,标定了8个共有峰,指认了八角枫碱色谱峰。10批次药材的相似度在0.801～0.994之间,主成分分析结果表明,贵州遵义和毕节质量较优;聚类分析结果表明,类间距为15时,10份样品被分为3类,即产自凯里的2批八角枫药材聚为一类,产自毕节和遵义的2批聚为一类,其余6批聚为一类。结论:该方法准确,稳定,可靠,可为八角枫质量评价提供参考。     

基于张量距离的高阶近邻传播聚类算法

近邻传播算法(AP)不需要事先指定聚类数目,在程序运行过程中,能够自动识别聚类中心及聚类数目。在同一批数据集上,AP算法聚类结果稳定,鲁棒性好。除此之外,AP聚类算法可以采用多种距离度量方式,聚类结果精确。针对近邻传播算法(AP)不能对异构数据进行聚类的问题,提出一种基于张量距离的高阶AP聚类算法。该算法首先利用张量表示异构数据对象,然后将张量距离引入AP聚类算法,用来度量异构数据对象在张量空间的相似度。张量距离的引入,不但能够度量异构数据对象在数值上的差异,同时能够度量异构数据对象在高阶空间中位置的差异性,有效的捕捉异构数据对象的分布特征。实验结果表示,提出的高阶AP算法能够有效的对异构数据对象进行聚类。     

一种自适应AP算法的matlab实现

AP算法是Fey BJ.等人提出的一种聚类算法.与传统的K均值聚类算法相比,AP算法不需要选择初始的聚类中心点,因此,聚类结果更客观.但AP算法中相似度矩阵对角线上的偏向值需要人为设定,而这个值会影响到聚类数目;另外,当AP算法发生震荡时,算法无法自动退出震荡.为解决AP算法中的振荡问题及相似度矩阵对角线上元素值的确定问题,王开军等人提出了自适应AP算法,逐步改变偏向值p,得到不同的聚类结果,再根据聚类结果的Silhouette指标,找出最好的Silhouette指标对应的偏向值及聚类结果.当震荡发生时,逐步增加阻尼因子?值,直到算法退出震荡.使用MATLAB实现了自适应AP算法和Silhouette评价指标,为后续的研究工作打下基础.     

改进K-means聚类的自适应加权K近邻指纹定位算法

针对指纹定位精度易受指纹数据K-means聚类预处理效果不佳、加权K近邻算法采用固定K值进行匹配定位精度差等问题,提出一种基于改进K-means聚类的自适应加权K近邻算法.算法在对指纹数据进行聚类计算过程中充分考虑参考点间接收信号强度值与实际物理坐标的双重影响,以避免参考点分类不明确;根据每个测试点的匹配参考点之间实际距离的均值和标准差设置阈值,动态选择K值.实验结果证明,改进K-means聚类的自适应加权K近邻算法相较于传统室内定位算法定位精度提高了44％,可为相关应用提供更精确的定位服务.     

基于改进近邻传播算法的聚类质量评价模型

针对近邻传播(Affinity Propagation,简称AP)算法在对非团状数据集聚类过程中出现的局部聚类较多、精准度不高等问题,提出了一种基于改进AP算法的聚类质量评价模型.首先,在AP算法初步聚类的基础上,通过合并相似度较大的簇,减小聚类上限值k_(max),进一步压缩聚类区间范围;其次,给出一个新的内部评价指标,用分属不同簇的样本对的平均距离代表簇间距离,削弱噪声数据的影响,平衡簇间分离度与簇内紧致度的关系.在UCI和KDD CUP99数据集上的实验结果表明,新模型可以给出精准的最优聚类数(范围),能够在保持较低漏报率的同时,有效提高样本的检测率和分类正确率.     

一种改进型几何聚类指纹室内定位方法

为解决传统加权K最近邻算法(WKNN,Weighting K-Nearest Neighbor)定位方法中选取K值存在局限性影响定位精度的问题,提出了一种改进型几何聚类指纹室内定位方法。该方法首先利用网格分布在定位区域构建指纹点几何位置分布,采集指纹点接收信号强度(RSS,Received Signal Strength)和位置信息,建立指纹定位数据库;然后,利用支持向量机分类算法在解决高维度和非线性问题上的优势选取定位点的多个近邻指纹点,根据对定位贡献度的大小筛选近邻指纹点并构建几何聚类定位区域;最后利用WKNN算法进行定位。实验结果表明,提出的方法解决了传统WKNN方法中多边形定位区域在K值选取存在局限性的问题,具有更高的定位精度和工程实用性。     

融合知识图谱的文本聚类方法研究

为了提高文本聚类的性能,采用近邻传播(Affinity propagation, AP)算法进行文本聚类,并采用知识图谱进行样本预分析,以提高AP的文本聚类适用度。采用知识图谱进行样本预处理,对待聚类的文本进行知识图谱三元分析,并生成对应概念、实体和关系的样本集合;建立AP文本聚类模型,并通过差分进化(Differential evolution, DE)算法优化偏向参数;利用DE算法求解的最优个体的偏向参数进行AP聚类运算,不断更新AP算法的决策和潜力阵,从而获得稳定的聚类结果。试验结果表明,经过知识图谱分析之后,通过合理设置DE算法的差分缩放因子和交叉速率,DE-AP算法能够获得更优的聚类准确度,且聚类准确度的均方根误差(Root mean squared error, RMSE)值更低;和常用文本聚类算法相比,该文算法获得了更高的聚类准确度。     

一种基于K-L变换聚类的室内定位算法

室内定位环境中接入节点(access point,AP)部署密集时,针对参考节点(reference point,RP)接收到邻近AP的接收信号强度(received signal strength,RSS)数据相关性大,而导致聚类过程中聚类中心相关性高、聚类不准确等问题,提出了一种基于K-L变换的聚类算法;该算法通过K-L变换对RSS指纹数据去相关处理来保留原始指纹数据最大的特征信息数据,然后通过k-means聚类算法聚类能够得到更高的聚类准确率,从而来提高定位精度。实验结果表明,该算法比没有经过K-L变换去相关处理的聚类算法聚类准确率要高;并且在实验过程中确定RSS数据经K-L变换降维之后的维数为5、聚类中心数为5时,定位误差在2 m以内的概率提高了9.3%。     

基于MapReduce的大规模文本聚类并行化

建立快速有效的针对大规模文本数据的聚类分析方法是当前数据挖掘研究和应用领域中的一个热点问题.为了同时保证聚类效果和提高聚类效率,提出基于"互为最小相似度文本对"搜索的文本聚类算法及分布式并行计算模型.首先利用向量空间模型提出一种文本相似度计算方法;其次,基于"互为最小相似度文本对"搜索选择二分簇中心,提出通过一次划分实现簇质心寻优的二分K-means聚类算法;最后,基于MapReduce框架设计面向云计算应用的大规模文本并行聚类模型.在Hadoop平台上运用真实文本数据的实验表明:提出的聚类算法与原始二分K-means相比,在获得相当聚类效果的同时,具有明显效率优势;并行聚类模型在不同数据规模和计算节点数目上具有良好的扩展性.     

基于椭球等高分布混合模型的聚类方法

为解决有限混合分布模型的聚类分析中分量密度函数选择问题,通过研究广义多元分析理论,提出了基于椭球等高分布混合模型的聚类算法.首先,利用与正态分布有许多相似性质的椭球等高分布族来构造混合分布模型,并引入标签变量,将基于椭球等高分布混合模型的聚类转化为模型参数估计问题;然后,通过极大似然估计法和EM算法进行模型一般变量参数...     

柴黄颗粒的红外指纹图谱研究

分别采用相似度、聚类分析法和基于主成分分析的投影判别法对柴黄颗粒红外图谱的一致性进行了考察,结果显示30个柴黄颗粒样本的红外图谱一致性良好,采用平均值法建立了柴黄颗粒的红外指纹图谱。     

基于优化AP-SVR模型的能源消耗预测

针对传统SVR(Support Vector Regression)及其相关改进模型在不同时间阶段的能源消耗样本数据具有差异较大的不同函数规律或分布特征的条件下,难以进行合理预测这一问题,提出了基于优化AP(Affinity Propagation)聚类算法的AP-SVR模型。首先,在滚动预测的算法框架下建立了运用能源消耗累积规律进行预测的模型,并对AP聚类算法进行了优化;其次,结合优化AP聚类算法构建了最优化训练集,并运用SVR得到预测结果。算例分析表明,AP-SVR模型可有效识别样本训练集中能耗数据累积规律的差异,将聚类为同一类别数据作为训练集的条件下,SVR的拟合精度得到明显提升。通过多种模型计算效果的比较发现,剔除不同类型数据后的训练集明显更加适合于SVR模型的预测,在降低预测误差和改善预测结果可信度等方面优化了模型预测效果。     

蓝牙4.0标准规范下的模糊指纹定位算法

蓝牙技术的普及以及蓝牙4.0标准规范的提出, 使得利用蓝牙技术实现室内定位具有极其广阔的应用前景.把模糊理论应用于蓝牙室内定位系统, 提出一种模糊指纹定位算法. 基于该算法的定位过程分为离线和在线两个阶段: 离线阶段建立模糊指纹库; 在线阶段对手机客户端进行实时模糊决策定位. 仿真实验结果表明, 该算法的平均定位误差为1.36 m, 相比于传统的指纹标定法, 其定位精度提高约49%, 而计算量缩减至原来的1/c, 其中c为模糊聚类类别数.     

基于多层次聚类的纹理图像分割算法

提出了一种基于多层次聚类的算法,此算法相对传统算法降低了空间和时间复杂度,并减少了对参数的敏感度,适合处理大规模数据集.该算法包括粗分、代表点聚类和细分三个阶段.首先,利用亲和传播聚类(AP)算法对所有数据进行粗分,为了节省空间和时间,仅考虑每个点和离自己最近的t个近邻之间的相似度,所以构造的相似度矩阵远远小于原始AP算法所构造的相似度矩阵;其次,为了进一步提高效率和性能,在第二阶段采用密度峰值算法(FDP)对上一阶段所得结果进行再划分;最后,结合两个阶段划分的结果得到所有数据的划分.实验表明:所提算法可以快速准确地进行图像分割,和经典聚类算法FCM(模糊C均值)、Kmeans以及SOM(自组织映射)的对比实验也证明了所提算法的有效性.     

一种新颖的词聚类算法

基于类的统计语言模型是解决统计模型数据稀疏问题的重要方法.传统的统计方法基于贪婪原则,常以语料的似然函数或困惑度(perplexity)作为评价标准.这种传统的聚类方法的主要缺点是聚类速度慢,初值对结果影响大,易陷入局部最优.本文提出了一种新颖的词相似度定义,在词相似度的基础上,还首次给出了词集合相似度的定义.基于相似度,提出了一种自下而上的分层聚类算法,这种方法不但能改善聚类效果,而且可根据不同的模型选择不同的相似度定义,因而提高聚类的使用效果.实验证明,该算法在计算复杂度和聚类效果上比传统的基于贪婪原则的统计聚类算法都有明显的改进.     

基于稀疏指纹采集和改进WKNN的定位算法

为解决位置指纹定位算法中指纹采集工作量大、定位精度低的问题,提出一种基于稀疏指纹采集和改进加权K最近邻(weighted k-nearest neighbor,WKNN)的定位算法。稀疏选定参考点并采集来自各接入点(access point,AP)的接收信号强度(received signal strength,RSS),根据容错四分位法对采集的RSS进行异常值预处理;利用经过预处理的指纹数据训练高斯过程回归(Gaussian process regression,GPR)模型,通过共栖生物搜索算法(symbiotic organisms search,SOS)求取模型最优超参数以提高模型的泛化能力,进而预测定位区域内非参考点的RSS;由有限参考点数据通过SOS-GPR模型的训练与预测生成密集位置指纹库,结合由卡方距离和AP加权改进的WKNN算法完成仿真验证。实验结果表明,在保证定位精度的前提下,稀疏指纹采集法较传统全采集法减少50%的采集工作量;与原WKNN算法和M-KWNN算法相比,提出的WKNN算法有效提高了定位精度。     

改进的指纹奇异点检测算法

为解决传统指纹奇异点检测算法不能检测拱型、计算量大等缺点,提出了一种拱型指纹奇异点定义和一种新型的类Poincare指数,并给出了基于类Poincare指数的改进的奇异点检测算法.首先计算指纹奇异点可能出现的区域,然后根据可能区域内类Poincare指数值的变化曲线精确确定奇异点的位置.引入了可能区域,降低了检测过程中的计算量,因此大大提高了提取奇异点的速度.该方法也适用于其他类型的指纹.在FVC2004指纹库上进行实验,能准确检测拱型和其他类型指纹的奇异点,且检测速度大大提高,证明该方法可行有效.