局部密度
局部密度的相关文献在1990年到2022年内共计138篇,主要集中在自动化技术、计算机技术、化学工业、无线电电子学、电信技术
等领域,其中期刊论文104篇、会议论文3篇、专利文献74180篇;相关期刊73种,包括科学技术与工程、系统工程与电子技术、计算机工程等;
相关会议3种,包括The Conference on Web Based Business Management (WBM 2010)(2010年基于互联网的商业管理学术会议)、2009年全国理论计算机科学学术年会、广西计算机学会成立30周年庆典暨2016年学术年会等;局部密度的相关文献由415位作者贡献,包括刘向阳、刘季寰、刘醇彬等。
局部密度—发文量
专利文献>
论文:74180篇
占比:99.86%
总计:74287篇
局部密度
-研究学者
- 刘向阳
- 刘季寰
- 刘醇彬
- 金辉
- 钱雪忠
- 丁世飞
- 万一鸣
- 万子逸
- 刘娜
- 刘悦婷
- 刘立波
- 卜旭松
- 吴会会
- 吴杰康
- 吴阳勇
- 周杰
- 周欢欢
- 周涛
- 孙丽萍
- 崔振兴
- 张国志
- 张征
- 张德生
- 张永
- 张涛
- 张琦
- 彭弘铭
- 方惠
- 曾威
- 朱有玉
- 李易
- 李梦滔
- 李睿峰
- 李菁菁
- 杨明强
- 杨校林
- 杨进
- 樊慧津
- 王允斌
- 王朝宇
- 王杨
- 王清波
- 王石平
- 王鑫鹏
- 白双全
- 罗伟明
- 罗彦福
- 葛洪伟
- 薛小娜
- 许爱强
-
-
颜玉杰;
刘向阳
-
-
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。
-
-
邰昌鸿;
刘向阳
-
-
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。
-
-
张清华;
艾志华;
张金镇
-
-
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。
-
-
王雪征;
李伟;
庞建周
-
-
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。
-
-
周欢欢;
郑伯川;
张征;
张琦
-
-
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。
-
-
周欢欢;
张征;
张琦
-
-
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。
-
-
唐风扬;
覃仁超;
熊健
-
-
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。
-
-
王芙银;
张德生;
肖燕婷
-
-
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。
-
-
李沛洋;
高晓辉;
朱鹏程;
黄伟杰;
李存波;
司亚静;
徐鹏;
田银
-
-
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。
-
-
王泳欣;
张大斌;
车大庆;
吕建秋
-
-
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。
-
-
-
陈晓云;
祁小丽;
敏玉芳
- 《2009年全国理论计算机科学学术年会》
| 2009年
-
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。
-
-
-
-