局部密度

摘要： 超像素分析指的是将数字图像细分为多个超像素的过程,旨在简化或改变图像的表示形式,使得图像更容易理解和分析。文章提出了一种基于测地距离的超像素分析算法,该算法采用引入代价函数的Fast Marching算法来计算像素点间的测地距离。将目标图像大致均匀地划分成k个初始长方形区域,在每个区域内选取局部密度最大的像素点作为种子点,再由种子点出发计算像素点间的测地距离,并根据测地距离对像素点进行标记,故而可以得到大小均衡,形状规整的超像素。该算法在计算测地距离时,充分考虑了像素点的颜色和位置特征,并且以小区域为单位计算测地距离不仅缩小了Fast Marching算法的搜索范围,加快了算法的运行速度,还可以使得某些像素点的测地距离被重复计算,便于选取最优值。该算法所得超像素的分割精度及规整度都取得了良好的效果。

摘要： 社区检测被用于通过观察拓扑结构来寻找网络的最合理的分区,是多层复杂网络分析的一个重要任务。针对多层复杂网络的社区检测问题,该文提出了一种基于网络层加权的局部社区检测算法(MWLCD)。首先针对不同类型的网络,该算法使用超参数结合两种不同的加权方案量化了多层复杂网络中不同网络层的权值,然后引入了局部密度概念来确定种子节点附近的核心节点,以此避免了局部社区检测的社区划分质量依赖于种子节点所在位置优劣的问题。该算法基于社区核心节点将剩余节点依据其是否存在于社区内分为边界节点和外壳节点以及网络的未探索部分节点,并在外壳节点集中选取最适合该社区的候选节点放入社区同时不断更新三个节点集直到所有的社区划分完毕,然后采用多层模块度函数评估社区划分的质量。实验结果表明:在4个公开的多层复杂网络数据集上,MWLCD算法划分的社区可以取得更好的多层模块度值。

摘要： 针对现有大部分基于邻域覆盖的分类方法直接根据最近的邻域对样本分类,没有考虑邻域之间的差异性,从而导致分类错误的问题。引入局部密度去刻画邻域之间的差异性,并提出融合密度与邻域覆盖约简的分类方法(D-NCR)。首先,通过邻域覆盖约简剔除冗余的邻域;其次,将邻域中心的局部密度转化为权重,定义了测试样本到邻域中心的加权距离;最后,基于加权距离,对不同的测试样本提出两种分类策略。在UCI数据集上的实验结果表明,所提方法能达到较好的分类效果。

摘要： 玉米精播智能设备特点是株行距控制较普通播机更为精准,但精准度提高后,成本随之增加。为控制设备成本,对单株穗重与平均局部密度的关系进行了研究。随机选取田间小区测量了局部密度和单株穗重,以Vb控制excel对各单株不同半径圆内平均局部密度与单株穗重的相关性进行了分析。结果表明:在总体密度均匀的情况下,半径从5 cm增加到100 cm过程中,局部密度存在2个高峰,其位置分别对应平均株距和平均行距;局部平均密度与单株穗重的相关系数(r)在半径20 cm内相关不显著;于半径25 cm附近和50-100 cm区段,r表现至少2段低谷,r达到极显著水平。因此认为,在制订智能化农机设计策略时,只需要控制总体密度和漏播、播深,不必刻意考虑精密的株距配置。

摘要： 针对基于共享最近邻的密度峰聚类算法中的近邻参数需要人为设定的问题,提出了一种基于自适应近邻参数的密度峰聚类算法。首先,利用所提出的近邻参数搜索算法自动获得近邻参数;然后,通过决策图选取聚类中心;最后,根据所提出的代表点分配策略,先分配代表点,后分配非代表点,从而实现所有样本点的聚类。将所提出的算法与基于共享最近邻的快速密度峰搜索聚类(SNN-DPC)、基于密度峰值的聚类(DPC)、近邻传播聚类(AP)、对点排序来确定聚类结构(OPTICS)、基于密度的噪声应用空间聚类(DBSCAN)和K-means这6种算法在合成数据集以及UCI数据集上进行聚类结果对比。实验结果表明,所提出的算法在调整互信息(AMI)、调整兰德系数(ARI)和FM指数(FMI)等评价指标上整体优于其他6种算法。所提算法能自动获得有效的近邻参数,且能较好地分配簇边缘区域的样本点。

摘要： 密度峰聚类算法是一种基于密度的新型高效聚类算法,但是存在截断距离难以确定、局部密度定义过于简单和聚类分配策略容错能力差等问题。针对上述问题,提出了一种结合共享近邻和共享逆近邻的密度峰聚类算法。首先,该算法利用样本的共享近邻和共享逆近邻构造新的相似度计算方法;然后,重新定义了局部密度计算公式,避免了截断距离的选取问题;最后,提出了新的分配策略。实验中,在人工数据集和UCI数据集上进行测试,同时与SNNDPC、DPC、FKNN-DPC、AP、OPTICS、DBSCAN和K-means算法进行比较。实验结果表明:密度峰聚类改进算法的聚类结果整体优于其他算法,同时克服了DPC算法中分配策略可能存在的链式错误分配问题。

摘要： 针对密度峰值聚类算法(DPC,the density peak clustering algorithm)聚类结果受距离阈值dc参数影响较大的问题,提出一种局部密度捕获范围以及利用局部密度信息熵均值进行加权优化的方法(简称为LDDPC),在DPC算法选取到错误的距离阈值dc时,通过对最大密度邻近点的相对距离进行加权,重新获得正确的分类数量和聚类中心;经典数据集的实验结果表明,基于局部密度信息熵均值加权优化能避免DPC算法中距离阈值dc对聚类结果的影响,提高分类的正确率。

摘要： 密度峰值聚类(DPC)算法在对密度分布差异较大的数据进行聚类时效果不佳,聚类结果受局部密度及其相对距离影响,且需要手动选取聚类中心,从而降低了算法的准确性与稳定性。为此,提出一种基于加权共享近邻与累加序列的密度峰值算法DPC-WSNN。基于加权共享近邻重新定义局部密度的计算方式,以避免截断距离选取不当对聚类效果的影响,同时有效处理不同类簇数据集分布不均的问题。在原有DPC算法决策值的基础上,生成一组累加序列,将累加序列的均值作为聚类中心和非聚类中心的临界点从而实现聚类中心的自动选取。利用人工合成数据集与UCI上的真实数据集测试与评估DPC-WSNN算法,并将其与FKNN-DPC、DPC、DBSCAN等算法进行比较,结果表明,DPC-WSNN算法具有更好的聚类表现,聚类准确率较高,鲁棒性较强。

摘要： 脑电信号幅值微弱且信噪比低易受到多种伪迹影响。其中,眼电伪迹幅值高、随机性强,常使脑电信号产生明显畸变,对信号的后续分析将产生极大的影响。传统伪迹去除方法难以精确定位伪迹成分,导致过多有效信息丢失。针对上述问题,该文提出一种基于数据驱动的自适应伪迹定位和去除方法。该方法将局部密度引入独立成分分析(ICA)并通过聚类分析自适应估计辨识脑电和噪声成分的阈值,最终实现了眼电伪迹的精准定位和去除。通过仿真和真实实验,该文对比了所提方法与传统伪迹去除方法在峰值信噪比、均方误差、互信息等量化指标下的性能差异,并通过统计检验揭示了所提方法相比于其他方法在信号恢复方面的显著性优势。

摘要： 文章针对传统SMOTE及BSMOTE过采样方法会导致多数类样本识别率下降的问题,提出基于局部密度的改进BSMOTE算法(LDBSMOTE)。首先,根据样本分布特点计算局部密度值并筛选根样本,最大限度地保证具有潜在价值的样本不会被丢失,然后通过SMOTE合成样本,最后利用集成学习算法进行分类。为了验证LDBSMOTE的有效性对15个公共数据集进行实验,结果表明,相比SMOTE和BSMOTE,LDBSMOTE算法在F1、G-mean及AUC上平均提升了2.25%,且平均得分均为最高,能在保证多数类样本识别率的基础上提升少数类样本的识别率,有效提升分类性能。

摘要： 目的：对K最近邻(K-Nearest Neighbor,KNN)算法中k值的选取通常是人为设定,而且通常是固定的缺点,研究如何更好地选取k值.方法：引入k的可信度的概念,提出一种基于局部密度和纯度的自适应选取k值的方法,并将其引入到传统的KNN分类算法中.结果：该算法合理的考虑了样本的局部密度、纯度与选取k值的关系,不仅解决了k值的选取问题,并且避免了固定k值对分类的影响.结论：该算法是有效的,可以得到较高的准确率,但算法的时效性有待提高.

摘要： 本文在基于局部密度的空间聚类算法LDBSCAN的基础上提出了一种基于网格和SP-Tree的快速聚类算法GLDBSCAN。改进算法设计了一种新的对数据空间进行划分的网格划分方法,并采用空间索引SP-Tree来组织网格结构。算法同时提出用网格中心对象来代表网格包含的对象集合进行聚类,从而降低聚类时间和I/O消耗,实现快速聚类。实验结果表明,GLDBSCAN算法在不降低LDBSCAN聚类质量的前提下,大大提高了聚类的效率,并且能有效地对大规模数据集进行聚类。

摘要： 针对增量数据的数据挖掘技术是当前数据挖掘研究的重要方面，其中离群点发现技术对审计 等诸多问题有较大的价值。由于联网审计能够实时采集被审计单位的增量数据，因此从中高效的发现 离群点具有重要的审计意义。但是，现有的多数离群点分析算法针对静态数据，在处理增量数据集时 复杂度较高。为此，提出基于密度的增量式离群点识别算法，根据历史数据的聚类分析结果，实现对 增量数据的高效的离群点识别。实验表明，新算法在保证识别效果的前提下，极大的提高了效率，对 社会保障数据的审计也证实其有效性。

摘要： 针对增量数据的数据挖掘技术是当前数据挖掘研究的重要方面，其中离群点发现技术对审计 等诸多问题有较大的价值。由于联网审计能够实时采集被审计单位的增量数据，因此从中高效的发现 离群点具有重要的审计意义。但是，现有的多数离群点分析算法针对静态数据，在处理增量数据集时 复杂度较高。为此，提出基于密度的增量式离群点识别算法，根据历史数据的聚类分析结果，实现对 增量数据的高效的离群点识别。实验表明，新算法在保证识别效果的前提下，极大的提高了效率，对 社会保障数据的审计也证实其有效性。

摘要： 针对增量数据的数据挖掘技术是当前数据挖掘研究的重要方面，其中离群点发现技术对审计 等诸多问题有较大的价值。由于联网审计能够实时采集被审计单位的增量数据，因此从中高效的发现 离群点具有重要的审计意义。但是，现有的多数离群点分析算法针对静态数据，在处理增量数据集时 复杂度较高。为此，提出基于密度的增量式离群点识别算法，根据历史数据的聚类分析结果，实现对 增量数据的高效的离群点识别。实验表明，新算法在保证识别效果的前提下，极大的提高了效率，对 社会保障数据的审计也证实其有效性。

摘要： 针对增量数据的数据挖掘技术是当前数据挖掘研究的重要方面，其中离群点发现技术对审计 等诸多问题有较大的价值。由于联网审计能够实时采集被审计单位的增量数据，因此从中高效的发现 离群点具有重要的审计意义。但是，现有的多数离群点分析算法针对静态数据，在处理增量数据集时 复杂度较高。为此，提出基于密度的增量式离群点识别算法，根据历史数据的聚类分析结果，实现对 增量数据的高效的离群点识别。实验表明，新算法在保证识别效果的前提下，极大的提高了效率，对 社会保障数据的审计也证实其有效性。

摘要： 本发明公开了一种基于局部可达密度的密度峰值聚类方法，包括以下步骤：首先利用数据集的距离矩阵计算样本的局部可达密度，生成决策图并判断聚类中心；将样本依据局部可达密度降序排列，依次依照加权分配策略分配，从而完成对数据集的聚类。本发明的聚类方法能够自动确定聚类中心的个数，且能够处理任意形状的聚类。相较于传统的密度峰值聚类算法，消除了多米诺效应并去除了敏感参数，具有容错性高，鲁棒性强的特点。此外，考虑到了数据对象在其所处的局部空间中的分布差异，可有效处理真实世界的数据。

摘要： 一种用于驱动有机发光二极管(OLED)显示器的方法，该显示器带有具有第一像素密度的第一区域和具有高于第一像素密度的第二像素密度的第二区域，该方法包括：接收指定第一区域中的第一像素和第二区域中的第二像素的这两者的灰度值的图像内容；基于灰度值向第一区域中的第一像素提供第一电压；并且基于灰度值向第二区域中的第二像素提供与第一电压不同的第二电压，其中，第二电压使第二像素发射的光比第一电压使第一像素发射的光更暗。

摘要： 本发明公开了一种控制高密度碳空心微球表面局部粗糙度的掩模装置及应用方法，包括：掩模中段，其上设置有容纳HDC空心微球的锥形孔；设置在掩模中段上方的石英片，其上设置有掩模孔；设置在掩模中段下方以对HDC空心微球进行柔性支撑的弹性薄膜；所述掩模中段、石英片、弹性薄膜通过相配合的底座、上盖进行封装。本发明提供一种控制HDC空心微球表面局部粗糙度的掩模装置以及应用方法，可以在表面刻蚀过程中将HDC空心微球除了粘接区域以外的其它区域保护起来，仅将粘接区域的粗糙度提高至次微米量级，同时还可以获得洁净的新鲜表面，从而提高粘接性能，实现HDC空心微球的良好密封，并且在后续工序中还可以对微球起固定作用。

摘要： 本发明公开了一种基于局部放电脉冲局部密度的聚类方法，本发明首先利用局部放电脉冲信号的的等效时宽和等效的聚集性，获取局部放电脉冲信号的局部密度和距离，再根据局部放电脉冲信号的局部密度和距离两个参数对局部放电脉冲信号进行描述，实现对局部放电脉冲信号的聚类分析，减少了人为干预，提高了聚类分析的准确性，即使对特征量为非球面分布的局部放电脉冲信号仍能达到很好的聚类效果。

摘要： 本发明公开了一种基于局部放电脉冲局部密度的聚类方法，本发明首先利用局部放电脉冲信号的的等效时宽和等效的聚集性，获取局部放电脉冲信号的局部密度和距离，再根据局部放电脉冲信号的局部密度和距离两个参数对局部放电脉冲信号进行描述，实现对局部放电脉冲信号的聚类分析，减少了人为干预，提高了聚类分析的准确性，即使对特征量为非球面分布的局部放电脉冲信号仍能达到很好的聚类效果。

摘要： 本发明揭示了一种基于局部密度和聚类中心优化的密度峰聚类方法，包括以下步骤：步骤1、密度距离计算阶段：根据共享近邻相似度，计算样本点的局部密度和最短距离；步骤2、聚类中心选择阶段：根据样本点的局部密度和最短距离，自适应的选择聚类中心；步骤3、剩余样本分配阶段：将剩余样本分配到距其最近并拥有高密度的样本所在的类簇中。本发明将共享近邻相似度和欧氏距离进行统一度量样本间的相似度，有效地避免了DPC算法因参数选择导致聚类结果较差的缺陷，可以自适应地进行聚类中心的选择。

摘要： 本发明提供了一种基于局部密度和簇间框架距离的快速聚类方法，包括以下步骤：S1、对各样本计算其近邻样本集，并据此计算该样本的局部密度；S2、对各样本计算该样本到距离该样本最近且局部密度更高的样本之间的距离，并据此构建决策图；S3、基于决策图选取排名最靠前的若干样本作为初始簇中心，将所有样本按照一种特定规则划分为以各初始簇中心为中心的若干子簇；S4、对每个子簇从该子簇中选取若干样本作为其框架；S5、反复合并簇间框架距离最小的子簇，直到子簇的数量等于目标值。本发明方法计算复杂性较低且聚类精度比较出色，适用于海量数据的聚类需求。

摘要： 基于局部密度聚类的分子云核检测方法，首先计算每个数据点的三个特征：局部密度、距离和梯度；基于局部密度和距离确定聚类中心，然后以聚类中心开始聚类，在得到聚类结果之后利用梯度进一步确定边界；进而根据每个聚类结果的成员个数最终确定聚类的个数；最后利用多高斯模型计算聚类结果的参数。本发明一种基于局部密度聚类的分子云核检测方法，可以在不同信噪比下保持较高的分子云核检测精度，得到可靠的分子云核的物理参数。

摘要： 本发明公开了一种基于局部密度和改进模糊C均值的环形锻件点云去噪方法，涉及三维点云离群点检测和去噪技术领域，包括以下步骤：对点云数据中偏离锻件模型主体的噪声点使用参数自适应的半径滤波方法实现去噪；计算采样点的互邻域集；进而通过互邻域点与邻域点的数量比，将数据集划分为核心集和备选集；对两个数据集中的数据使用针对性的方法计算离群因子值，根据得到的离群因子值去除大尺度噪声；确定初始聚类中心；由基于马氏距离的模糊聚类算法查找点的隶属度值，对偏离的点进行光顺去噪。本发明能够对存在不同密度分布区的点云模型实现可靠去噪，在保持特征的基础上实现环形锻件点云模型光顺。

摘要： 本发明公开了一种基于局部密度信息的软件缺陷数据自适应过采样方法，本发明首先在数据预处理阶段使用Min‑Max归一化方法统一量纲，使用提出的AgglomerativeClustering‑Relief特征选择方法，降低数据维度并删除冗余特征。然后在自适应分组采样阶段，通过分析在低维状态下的少数类实例的局部密度信息，将所有少数类实例根据各自的分布特点划分至不同的分组，并针对不同分组中的少数类实例，采用针对性的过采样策略进行自适应过采样。最终使数据集中两类样本数量达到平衡，从数据层面解决不平衡问题。