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...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。该方法对预处理后的点云数据基于DBSCAN算法进行去噪与初步的提取,通过三维密度聚类,将建筑物的点云进行提取与自动单体化。根据建筑物点云密度的特点,进行二维的密度聚类,结合数字正射影像图(digital orthophoto map,DOM)进行点云分割。最后将处理后的点云数据进行优化处理,并将建筑物单体化簇类进行提取,得到单体化建筑物点云。结果表明:提取的建筑物点云数量正确率为97.36%,轮廓边长的中误差为0.077,可以有效地提取出建筑物点云并将其单体化。展开更多
为了解决空间数据流中任意形状簇的聚类问题,提出了一种基于密度的空间数据流在线聚类算法(On-line density-based clustering algorithm for spatial data stream,OLDStream),该算法在先前聚类结果上聚类增量空间数据,仅对新增空间点...为了解决空间数据流中任意形状簇的聚类问题,提出了一种基于密度的空间数据流在线聚类算法(On-line density-based clustering algorithm for spatial data stream,OLDStream),该算法在先前聚类结果上聚类增量空间数据,仅对新增空间点及其满足核心点条件的邻域数据做局部聚类更新,降低聚类更新的时间复杂度,实现对空间数据流的在线聚类.OLDStream算法具有快速处理大规模空间数据流、实时获取全局任意形状的聚类簇结果、对数据流的输入顺序不敏感、并能发现孤立点数据等优势.在真实数据和合成数据上的综合实验验证了算法的聚类效果、高效率性和较高的可伸缩性,同时实验结果的统计分析显示仅有4%的空间点消耗最坏运行时间,对每个空间点的平均聚类时间约为0.033ms.展开更多
针对装甲车辆运动状态复杂性、战场态势不确定性、战术迷惑和欺骗性导致装甲车辆集群运动轨迹难以准确预测的问题,提出一种基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和长短时记忆(L...针对装甲车辆运动状态复杂性、战场态势不确定性、战术迷惑和欺骗性导致装甲车辆集群运动轨迹难以准确预测的问题,提出一种基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和长短时记忆(Long Short Term Memory,LSTM)神经网络的装甲车辆集群轨迹预测方法。根据装甲车辆的斜坡上行驶、转向和车-车交互行驶状态,建立运动学模型。选取机动特征、环境特征和车-车交互特征等轨迹特征信息,基于双层LSTM网络预测单个装甲车辆的轨迹。基于DBSCAN算法将多条单装预测轨迹进行分段、相似度计算和聚类,获得集群代表轨迹作为装甲车辆集群的预测轨迹。仿真结果表明,所提方法能够有效预测装甲车辆集群轨迹,实现料敌于先、谋敌于前。展开更多
为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN(density-based spatial clustering of applications with noise)时空驻点聚类过程将居民多天的原始轨迹...为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN(density-based spatial clustering of applications with noise)时空驻点聚类过程将居民多天的原始轨迹点分成不同的时空驻点簇;然后,利用基于速度阈值的停留点簇和移动点簇识别过程将居民的每一个时空驻点簇区分为停留点簇或移动点簇;接着,利用基于K近距离的DBSCAN重要停留点聚类过程将居民的停留点分成不同的重要停留点簇;最后,利用基于KD-tree优化的KNN(K-nearest neighbor)职住地识别过程将居民的每个重要停留点识别为工作地、居住地、职住同一区域或兴趣地点区域。实验结果表明,该方法的每个过程都是合理有效的,并且最终的职住地识别效果要优于时间阈值法、累加时间法和信息熵法。展开更多
为解决大数据下船舶会遇识别算法效率不高且存在误判等问题,提出一种融合国际海上避碰规则(International Regulations for Preventing Collisions at Sea,COLREGs)的带噪声的基于密度的空间聚类(density-based spatial clustering of a...为解决大数据下船舶会遇识别算法效率不高且存在误判等问题,提出一种融合国际海上避碰规则(International Regulations for Preventing Collisions at Sea,COLREGs)的带噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法,建立船舶会遇识别模型。在DBSCAN算法对邻域内的船舶数量进行统计时,计算船舶间的最近会遇距离(distance to closest point of approach,DCPA)和最近会遇时间(time to closest point of approach,TCPA),初步筛选邻域内的噪声点;基于模糊综合评价模型计算船舶会遇风险,对邻域内的船舶进行二次筛选,实现船舶会遇态势的提取。结果表明:改进后的DBSCAN算法过滤掉传统DBSCAN算法识别到的非会遇局面,并且在同一会遇局面下的船舶数量均保持在4艘以内;输出的会遇船舶风险演变趋势对实际水域内高风险船舶的监控适用性较好,能有效辅助船舶避碰。所提识别模型对保障航行安全和提高海事监管效率具有重要意义。展开更多
为准确聚类复杂的船舶轨迹和辨识隐蔽轨迹簇,提出一种考虑多维特征的船舶轨迹分层聚类算法。用核心萤火虫算法(core firefly algorithm,CFA)解决具有噪声的基于密度的空间聚类(density-based spatial clustering of applications with n...为准确聚类复杂的船舶轨迹和辨识隐蔽轨迹簇,提出一种考虑多维特征的船舶轨迹分层聚类算法。用核心萤火虫算法(core firefly algorithm,CFA)解决具有噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的邻域查询冗余和参数敏感问题,并在传统船舶轨迹聚类特征的基础上引入水域环境、轨迹线型和时隙特征来分层建立轨迹相似性度量指标,最终实现轨迹的逐层递进聚类。以厦门港及其附近水域的AIS数据验证算法的有效性,检验结果表明:船舶轨迹由算法聚类为9簇;簇内动态时间规整(dynamic time warping,DTW)距离均值为5.199,簇间DTW距离均值为18.032;聚类结果符合实际的船舶交通流情况,聚类准确率为91.50%。可见,提出的算法相比其他常用的轨迹聚类算法能更有效地辨识轨迹地理分布和船舶运动特征的异同,更容易发现隐蔽的轨迹簇。由提出的算法聚类的同簇轨迹,其船舶运动特性更相似,聚类结果可为船舶交通流特性分析及船舶行为模式识别等提供典型的轨迹样本。展开更多
针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类(combining density-based spatial clustering of application with noise,DBSCAN)和概率密度估计的混合矩阵估计算法。首先,通过向量转...针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类(combining density-based spatial clustering of application with noise,DBSCAN)和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。展开更多
文摘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。该方法对预处理后的点云数据基于DBSCAN算法进行去噪与初步的提取,通过三维密度聚类,将建筑物的点云进行提取与自动单体化。根据建筑物点云密度的特点,进行二维的密度聚类,结合数字正射影像图(digital orthophoto map,DOM)进行点云分割。最后将处理后的点云数据进行优化处理,并将建筑物单体化簇类进行提取,得到单体化建筑物点云。结果表明:提取的建筑物点云数量正确率为97.36%,轮廓边长的中误差为0.077,可以有效地提取出建筑物点云并将其单体化。
文摘为了解决空间数据流中任意形状簇的聚类问题,提出了一种基于密度的空间数据流在线聚类算法(On-line density-based clustering algorithm for spatial data stream,OLDStream),该算法在先前聚类结果上聚类增量空间数据,仅对新增空间点及其满足核心点条件的邻域数据做局部聚类更新,降低聚类更新的时间复杂度,实现对空间数据流的在线聚类.OLDStream算法具有快速处理大规模空间数据流、实时获取全局任意形状的聚类簇结果、对数据流的输入顺序不敏感、并能发现孤立点数据等优势.在真实数据和合成数据上的综合实验验证了算法的聚类效果、高效率性和较高的可伸缩性,同时实验结果的统计分析显示仅有4%的空间点消耗最坏运行时间,对每个空间点的平均聚类时间约为0.033ms.
文摘针对装甲车辆运动状态复杂性、战场态势不确定性、战术迷惑和欺骗性导致装甲车辆集群运动轨迹难以准确预测的问题,提出一种基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和长短时记忆(Long Short Term Memory,LSTM)神经网络的装甲车辆集群轨迹预测方法。根据装甲车辆的斜坡上行驶、转向和车-车交互行驶状态,建立运动学模型。选取机动特征、环境特征和车-车交互特征等轨迹特征信息,基于双层LSTM网络预测单个装甲车辆的轨迹。基于DBSCAN算法将多条单装预测轨迹进行分段、相似度计算和聚类,获得集群代表轨迹作为装甲车辆集群的预测轨迹。仿真结果表明,所提方法能够有效预测装甲车辆集群轨迹,实现料敌于先、谋敌于前。
文摘为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN(density-based spatial clustering of applications with noise)时空驻点聚类过程将居民多天的原始轨迹点分成不同的时空驻点簇;然后,利用基于速度阈值的停留点簇和移动点簇识别过程将居民的每一个时空驻点簇区分为停留点簇或移动点簇;接着,利用基于K近距离的DBSCAN重要停留点聚类过程将居民的停留点分成不同的重要停留点簇;最后,利用基于KD-tree优化的KNN(K-nearest neighbor)职住地识别过程将居民的每个重要停留点识别为工作地、居住地、职住同一区域或兴趣地点区域。实验结果表明,该方法的每个过程都是合理有效的,并且最终的职住地识别效果要优于时间阈值法、累加时间法和信息熵法。
文摘为解决大数据下船舶会遇识别算法效率不高且存在误判等问题,提出一种融合国际海上避碰规则(International Regulations for Preventing Collisions at Sea,COLREGs)的带噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法,建立船舶会遇识别模型。在DBSCAN算法对邻域内的船舶数量进行统计时,计算船舶间的最近会遇距离(distance to closest point of approach,DCPA)和最近会遇时间(time to closest point of approach,TCPA),初步筛选邻域内的噪声点;基于模糊综合评价模型计算船舶会遇风险,对邻域内的船舶进行二次筛选,实现船舶会遇态势的提取。结果表明:改进后的DBSCAN算法过滤掉传统DBSCAN算法识别到的非会遇局面,并且在同一会遇局面下的船舶数量均保持在4艘以内;输出的会遇船舶风险演变趋势对实际水域内高风险船舶的监控适用性较好,能有效辅助船舶避碰。所提识别模型对保障航行安全和提高海事监管效率具有重要意义。
文摘为准确聚类复杂的船舶轨迹和辨识隐蔽轨迹簇,提出一种考虑多维特征的船舶轨迹分层聚类算法。用核心萤火虫算法(core firefly algorithm,CFA)解决具有噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的邻域查询冗余和参数敏感问题,并在传统船舶轨迹聚类特征的基础上引入水域环境、轨迹线型和时隙特征来分层建立轨迹相似性度量指标,最终实现轨迹的逐层递进聚类。以厦门港及其附近水域的AIS数据验证算法的有效性,检验结果表明:船舶轨迹由算法聚类为9簇;簇内动态时间规整(dynamic time warping,DTW)距离均值为5.199,簇间DTW距离均值为18.032;聚类结果符合实际的船舶交通流情况,聚类准确率为91.50%。可见,提出的算法相比其他常用的轨迹聚类算法能更有效地辨识轨迹地理分布和船舶运动特征的异同,更容易发现隐蔽的轨迹簇。由提出的算法聚类的同簇轨迹,其船舶运动特性更相似,聚类结果可为船舶交通流特性分析及船舶行为模式识别等提供典型的轨迹样本。
文摘针对欠定盲源分离中混合矩阵估计精度不佳的问题,本文提出了一种结合带噪声的基于密度的空间聚类(combining density-based spatial clustering of application with noise,DBSCAN)和概率密度估计的混合矩阵估计算法。首先,通过向量转换方式获得单声源时频点检测准则,并基于此准则从混合信号中检测出单声源点。其次,利用基于密度的空间聚类算法对单声源点进行聚类,由此估计出声源个数以及各类别所属的单声源点。再次,利用概率密度估计获得各类别的聚类中心,并构成混合矩阵。所提混合矩阵估计方法不需要提前设定声源个数,并且避免了由于数据分布不均所造成的聚类效果差的问题。最后,采用压缩感知技术实现源信号恢复,从而从混合信号中分离出各个声源信号。实验结果表明,本文所提的混合矩阵估计方法在声源个数未知的情况下,能够准确估计出混合矩阵;并且分离出的信号具有较高的质量。
