导读:本文包含了基于密度的聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:岩石力学,结构面,优势分组,K近邻
基于密度的聚类论文文献综述
伏坤,王珣,刘勇,李刚,徐鑫[1]（2019）在《基于K近邻改进密度峰值聚类分析法的岩体结构面产状优势分组》一文中研究指出为了研究结构面对岩体稳定性的影响,需要清楚岩体结构面的发育规律。传统玫瑰花图、极点图和等密度图等岩体结构面产状优势分组方法较为粗糙,主观因素影响较大,而采用K均值聚类算法、FCM模糊聚类算法则可以得到较为准确的分组结果,但须事先指定聚类数量及初始聚类中心。初始划分对分组结果影响较大,因此提出一种基于K近邻改进密度峰值聚类分析法的岩体结构面产状优势分组的新方法,该方法优点在于无需迭代过程、计算速度快、可自动探测聚类中心数量,并可通过自动计算岩体结构面局部密度大小和聚类中心距离更加准确地确定聚类中心,实现结构面产状的合理划分。通过应用计算机模拟生成的结构面产状数据进行产状优势分组,验证了该方法的准确性和可靠性。最后将这种方法应用于怒江松塔水电站坝址区实测的结构面产状优势分组中,得到了较为符合实际的分组结果。(本文来源于《水利水电技术》期刊2019年11期）
王培晓,张恒才,王海波,吴升[2]（2019）在《ST-CFSFDP:快速搜索密度峰值的时空聚类算法》一文中研究指出时空聚类算法是地理时空大数据挖掘的基础研究命题。针对传统CFSFDP聚类算法无法应用于时空数据挖掘的问题,本文提出一种时空约束的ST-CFSFDP(spatial-temporal clustering by fast search and find of density peaks)算法。在CFSFDP算法基础上加入时间约束,修改了样本属性值的计算策略,不仅解决了原算法单簇集多密度峰值问题,且可以区分并识别相同位置不同时间的簇集。本文利用模拟时空数据与真实的室内定位轨迹数据进行对比试验。结果表明,该算法在时间阈值90 s、距离阈值5 m的识别正确率高达82.4%,较经典ST-DBCSAN、ST-OPTICS及ST-AGNES聚类算法准确率分别提高了5.2%、4.2%和7.6%。(本文来源于《测绘学报》期刊2019年11期）
刘风剑,刘向阳[3]（2019）在《基于改进力导向模型和局部密度的聚类算法》一文中研究指出在没有先验知识的前提下,聚类是分析样本集中不同类簇的有效方式。文中提出了一种基于改进力导向模型的聚类算法。为实现样本数据预处理的类内聚集和类间分离效果,设计了基于样本点局部密度和样本间距离的吸引力计算方法、基于样本点近邻连通图中边的介数的排斥力计算方法。实验结果表明,文中算法能够使得类内样本点更加聚集、类间样本点更加分离,可以有效地提高聚类的正确率。(本文来源于《信息技术》期刊2019年10期）
刘亚辉,韩明轩,郭俊岑,苏良立[4]（2019）在《基于密度聚类与ARIMA模型短期电力负荷预测》一文中研究指出为了提高短期电力负荷预测的准确度,提出了将密度聚类算法(DBSCAN)与自回归移动平均模型(ARIMA)相结合的方法,进行短期电力负荷预测。首先,对数据进行归一化、天气状况类别数据编码、缺失值填补等预处理;然后,利用DBSCAN对负荷均值进行聚类与剔除噪音点。ARIMA模型的参数根据差分后的时间序列及热力图确定;最后,重构分解后的曲线,并根据历史数据对未来短期负荷进行预测。实验结果表明,预测结果的误差在合理范围内。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2019年05期）
范虹,张程程,侯存存,朱艳春,姚若侠[5]（2019）在《结合双树复小波变换和改进密度峰值快速搜索聚类的乳腺MR图像分割》一文中研究指出针对乳腺MR图像组织复杂、灰度不均匀、难分割的特点,本文提出双树复小波(DTCWT)变换结合密度聚类的图像分割方法.首先利用复小波域双变量模型结合各向异性扩散函数对图像进行去噪处理;进而通过简单线性迭代聚类(SLIC)算法将图像划分成一定数量的超像素区域,根据事先设置的阈值搜索每个超像素的近邻,从而降低基于K近邻的密度峰值快速搜索聚类(KNN-DPC)算法寻找每个样本近邻的时间;最终,引入超像素区域的近邻信息度量样本密度,采用KNN-DPC算法的分配策略自适应聚类.仿真和临床数据分割结果表明,所提算法能有效的实现乳腺MR图像的分割.(本文来源于《电子学报》期刊2019年10期）
顾军华,田喆,苏鸣,张亚娟[6]（2019）在《基于网格密度峰值聚类的实时雷达分选系统》一文中研究指出雷达分选是雷达信号处理中的重要环节。为了解决从复杂电磁环境中准确分选出各个雷达信号的难题,提出一种新的基于网格密度峰值的数据流聚类算法,并将其应用于对雷达信号脉冲描述的实时聚类,从而进行雷达分选。该算法采用双重网格划分方式,解决传统基于网格的聚类算法中边界丢失的问题,并采用基于改进密度峰值的网格合并方式进行聚类避免将距离较近的类合并。仿真实验结果表明,该算法可以用于实时雷达分选,很好地处理了重迭严重的雷达信号,有较高的准确度和抗干扰能力。(本文来源于《计算机应用与软件》期刊2019年10期）
曾绍华,唐文密,詹林庆,黄秀芬[7]（2019）在《基于自适应密度峰值聚类的野外紫色土彩色图像分割》一文中研究指出野外自然环境下采集的紫色土图像背景复杂,将紫色土区域从背景中分割出来是应用机器视觉对紫色土进一步分析处理的首要工作。该文提出基于自适应密度峰值聚类的野外紫色土彩色图像分割算法。该方法首先构造基于熵的相似度矩阵,从而建立基于类间方差最大化类内方差最小化准则的灰度变换优化模型,求解优化模型获得一个提升了紫色土与背景间分离特性的灰度图像。然后,构建无参的密度公式和一个中心决策度量来自动获取聚类中心,实现在密度峰值聚类算法框架下紫色土图像的自适应分割。最后,设计边界提取与区域填充的后处理算法获得完整的紫色土土壤区域图像。通过使用常规样本集、鲁棒样本集试验测试,结果显示:该文分割算法的初分割平均分割精度分别为93.45%和87.40%,比采用原始密度峰值聚类算法的平均分割精度分别提高3.16和12.47个百分点。经该文算法初分割、后处理,平均分割精度分别提高到96.30%和91.63%,平均耗时分别为0.36和0.35 s。研究结果为野外紫色土彩色图像的自适应分割提供参考。(本文来源于《农业工程学报》期刊2019年19期）
刘义鹏,李志鹏,蒋哲臣,梁荣华[8]（2019）在《基于密度峰值搜索的脑纤维快速聚类算法》一文中研究指出弥散张量成像为人类大脑白质结构无创检测提供了良好的前景,但是这类方法往往会产生庞大且难以理解的纤维数据集,如何对纤维集合进行有效地可视分析是临床研究中的重要问题。为解决该问题,采用动态时间规整算法,该算法通过拉伸和压缩两时间序列将其整合成同一长度然后计算最短折迭路径距离作为其相似距离,并将其扩展用于脑纤维相似性测量并得到快速且准确的结果。相似度是纤维聚类的唯一信息来源,纤维相似度矩阵的计算占据主要的计算时间,对密度峰值搜索算法进行改进,在连续聚类框架中对脑纤维进行聚类。最后通过实验证明这种连续聚类方法在满足聚类精度要求的同时能显着降低计算复杂度。(本文来源于《浙江工业大学学报》期刊2019年05期）
李旭东,成烽[9]（2019）在《一种基于密度峰值聚类的经典轨迹计算方法》一文中研究指出轨迹数据是一类重要的时空大数据,蕴含丰富的语义信息与行为模式。经典轨迹是群体轨迹移动时呈现出的相同或相似路径,在刻画海量轨迹时空特征、分析群体行为模式和预测移动对象路径等方面具有重要意义。本文提出了一种基于密度峰值聚类算法的经典轨迹计算框架,首先在相似性度量方面,采用并改进了顾及轨迹几何与方向的SSPD方法,然后在轨迹数据聚类方面,引入了密度峰值聚类方法,并使用其K近邻版本,以消除参数选择的不利影响,最后考虑到峰值点表征了具有最大局部密度的轨迹,直接将聚类中心作为经典轨迹输出。基于船舶轨迹的实验表明,本文方法可以有效从大规模轨迹中分析出经典轨迹,且同TRACLUS算法相比,输出的经典轨迹更为真实自然。(本文来源于《中国电子科学研究院学报》期刊2019年09期）
蒋华,林森,王鑫,王慧娇[10]（2019）在《海洋数据下的密度自适应聚类算法》一文中研究指出针对DBSCAN算法需要人工设定参数,且数在对不同疏密度的数据敏感度较低以及处理多维多密度的海洋数据时鲁棒性欠佳的问题,提出一种基于K-均值模型的多密度自适应聚类算法AM-DBSCAN (adaptive multi-density DBSCAN algorithm)。采用K-均值模型对数据进行初次聚类,分别以结果簇中距离最远两点的平均值及最小簇的样本数作为DBSCAN算法中的邻域半径(Eps)及邻域样本阈值(Minpts);以最短路径原则改进DBSCAN算法中Eps邻域判定方式,提高算法全局的可靠性及稳定性。实验结果表明,相对于DBSCAN聚类算法,AM-DBSCAN算法在处理密度不均的数据时在聚类准确度和聚类效率方面有所提升。(本文来源于《计算机工程与设计》期刊2019年09期）
基于密度的聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
时空聚类算法是地理时空大数据挖掘的基础研究命题。针对传统CFSFDP聚类算法无法应用于时空数据挖掘的问题,本文提出一种时空约束的ST-CFSFDP(spatial-temporal clustering by fast search and find of density peaks)算法。在CFSFDP算法基础上加入时间约束,修改了样本属性值的计算策略,不仅解决了原算法单簇集多密度峰值问题,且可以区分并识别相同位置不同时间的簇集。本文利用模拟时空数据与真实的室内定位轨迹数据进行对比试验。结果表明,该算法在时间阈值90 s、距离阈值5 m的识别正确率高达82.4%,较经典ST-DBCSAN、ST-OPTICS及ST-AGNES聚类算法准确率分别提高了5.2%、4.2%和7.6%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基于密度的聚类论文参考文献
[1].伏坤,王珣,刘勇,李刚,徐鑫.基于K近邻改进密度峰值聚类分析法的岩体结构面产状优势分组[J].水利水电技术.2019
[2].王培晓,张恒才,王海波,吴升.ST-CFSFDP:快速搜索密度峰值的时空聚类算法[J].测绘学报.2019
[3].刘风剑,刘向阳.基于改进力导向模型和局部密度的聚类算法[J].信息技术.2019
[4].刘亚辉,韩明轩,郭俊岑,苏良立.基于密度聚类与ARIMA模型短期电力负荷预测[J].北京信息科技大学学报(自然科学版).2019
[5].范虹,张程程,侯存存,朱艳春,姚若侠.结合双树复小波变换和改进密度峰值快速搜索聚类的乳腺MR图像分割[J].电子学报.2019
[6].顾军华,田喆,苏鸣,张亚娟.基于网格密度峰值聚类的实时雷达分选系统[J].计算机应用与软件.2019
[7].曾绍华,唐文密,詹林庆,黄秀芬.基于自适应密度峰值聚类的野外紫色土彩色图像分割[J].农业工程学报.2019
[8].刘义鹏,李志鹏,蒋哲臣,梁荣华.基于密度峰值搜索的脑纤维快速聚类算法[J].浙江工业大学学报.2019
[9].李旭东,成烽.一种基于密度峰值聚类的经典轨迹计算方法[J].中国电子科学研究院学报.2019
[10].蒋华,林森,王鑫,王慧娇.海洋数据下的密度自适应聚类算法[J].计算机工程与设计.2019