新能源电源通过逆变器实现并网,其并网系统的电压幅值、相位、频率等物理量在电磁、机电等多时间尺度均存在强交互耦合,准确把握并网逆变器的同步稳定主导行为特征是目前的热点问题。为此,提出了一种多次密度空间聚类(density-based spa...新能源电源通过逆变器实现并网,其并网系统的电压幅值、相位、频率等物理量在电磁、机电等多时间尺度均存在强交互耦合,准确把握并网逆变器的同步稳定主导行为特征是目前的热点问题。为此,提出了一种多次密度空间聚类(density-based spatial clustering of applications with Noise,DBSCAN)算法来分析多逆变器并网系统同步稳定的物理表征。首先建立了跟网型和构网型逆变器并网模型,分析了其同步控制单元的同步特性;其次利用所提算法实现对并网逆变器与公共连接点的相位差、逆变器功角、系统频率等仿真数据的聚类和分类;最后通过仿真分析表明,逆变器并网系统同步稳定特征表现为功角逐步恢复原来运行状态和新稳态,此外,系统同步稳定与频率稳定具有一致性。不同的是,跟网型同步控制单元成功锁相可以表征其系统的同步稳定,而构网型同步控制单元无法表征。展开更多
针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图...针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图像中给定的相似邻域结构的像素提取当前像素的非局部空间信息;其次,计算每个像素的典型性,并对其进行排序,在每次迭代中更新像素的典型性,提高像素聚类的准确性,解决在聚类过程中存在相似类导致的误分类问题;最后,引入子空间聚类概念,为图像不同维度分配适当的权重,提高彩色图像的分割性能.在含噪合成图像和公开数据集BSDS500,MSRA100和AID上实验结果表明,所提算法的模糊划分系数、模糊划分熵、分割精度和标准化互信息平均值分别达到了95.00%,6.66%,98.77%和95.54%,均优于对比的同类算法.展开更多
为了在复杂多变的电子战场景下对密集重叠的雷达脉冲信号进行快速准确的分选,稀释脉冲流,解决现有基于密度的空间聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)在分选时易受干扰点影响、聚类参数需要...为了在复杂多变的电子战场景下对密集重叠的雷达脉冲信号进行快速准确的分选,稀释脉冲流,解决现有基于密度的空间聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)在分选时易受干扰点影响、聚类参数需要人为设置、算法复杂度高的问题,提出了一种面向雷达信号预分选的粒子群快速密度聚类算法(Particle Swarm Fast Density Clustering Algorithm,PSK-DBSCAN)。该算法首先引入数据场理论剔除雷达脉冲信号里的干扰点,提升了分选准确度;其次,引入粒子群算法并设计了基于轮廓系数的适应度函数,自适应地获得最优聚类参数;最后,使用K-D(K-Dimensional)树降低DBSCAN的算法复杂度,减少分选时间。经实验验证,算法可以对复杂交错的雷达脉冲信号实现快速聚类分选,正确率达到98.9%,性能稳定。展开更多
Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类...Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明:相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。展开更多
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
文摘新能源电源通过逆变器实现并网,其并网系统的电压幅值、相位、频率等物理量在电磁、机电等多时间尺度均存在强交互耦合,准确把握并网逆变器的同步稳定主导行为特征是目前的热点问题。为此,提出了一种多次密度空间聚类(density-based spatial clustering of applications with Noise,DBSCAN)算法来分析多逆变器并网系统同步稳定的物理表征。首先建立了跟网型和构网型逆变器并网模型,分析了其同步控制单元的同步特性;其次利用所提算法实现对并网逆变器与公共连接点的相位差、逆变器功角、系统频率等仿真数据的聚类和分类;最后通过仿真分析表明,逆变器并网系统同步稳定特征表现为功角逐步恢复原来运行状态和新稳态,此外,系统同步稳定与频率稳定具有一致性。不同的是,跟网型同步控制单元成功锁相可以表征其系统的同步稳定,而构网型同步控制单元无法表征。
文摘针对模糊C有序均值聚类算法没有考虑图像空间信息,导致难以有效地分割含噪图像的问题,提出一种基于非局部信息和子空间的模糊C有序均值聚类(non-local information and subspace for fuzzy C-ordered means,SFCOM-NLS)算法.首先,利用图像中给定的相似邻域结构的像素提取当前像素的非局部空间信息;其次,计算每个像素的典型性,并对其进行排序,在每次迭代中更新像素的典型性,提高像素聚类的准确性,解决在聚类过程中存在相似类导致的误分类问题;最后,引入子空间聚类概念,为图像不同维度分配适当的权重,提高彩色图像的分割性能.在含噪合成图像和公开数据集BSDS500,MSRA100和AID上实验结果表明,所提算法的模糊划分系数、模糊划分熵、分割精度和标准化互信息平均值分别达到了95.00%,6.66%,98.77%和95.54%,均优于对比的同类算法.
文摘为了在复杂多变的电子战场景下对密集重叠的雷达脉冲信号进行快速准确的分选,稀释脉冲流,解决现有基于密度的空间聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)在分选时易受干扰点影响、聚类参数需要人为设置、算法复杂度高的问题,提出了一种面向雷达信号预分选的粒子群快速密度聚类算法(Particle Swarm Fast Density Clustering Algorithm,PSK-DBSCAN)。该算法首先引入数据场理论剔除雷达脉冲信号里的干扰点,提升了分选准确度;其次,引入粒子群算法并设计了基于轮廓系数的适应度函数,自适应地获得最优聚类参数;最后,使用K-D(K-Dimensional)树降低DBSCAN的算法复杂度,减少分选时间。经实验验证,算法可以对复杂交错的雷达脉冲信号实现快速聚类分选,正确率达到98.9%,性能稳定。
文摘Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明:相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。
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.
