网格聚类

摘要： 本文阐述了一种应用于大规模数据节点划分的改进网格密度峰值聚类算法.针对传统的密度峰值聚类算法距离矩阵计算时间长,人工选取阈值对聚类结果的影响较大,限制其在大规模数据集中的应用等缺点,本文采用基于自适应网格划分的密度峰值聚类,通过判断网格均衡来计算网格间距离,引入万有引力得到网格相对引力,通过极大值平均选取法自动得到密度与引力阈值.经过不同数据集的对比实验,本文提出的大规模节点划分算法在保证算法准确度的同时,其执行速度最高约提升了77%,由轮廓系数评估的聚类质量稳定在0.42左右.

摘要： 针对目前车道线检测算法准确度低、鲁棒性不高、人工智能车道线识别算法需要大量的数据和计算量,以及对车载设备要求高等问题,提出了一种基于网格聚类的车道线检测算法。算法在检测出直线之后,把图像按像素划分为很多个小网格,然后再用网格聚类算法对车道线进行分类。方法计算量低,适应的场景多。实验和仿真结果表明,算法与其他车道线拟合算法相比,具有较好的准确度和鲁棒性。

摘要： 针对扩展目标跟踪中量测集划分困难及目标数目估计不准的问题,提出了一种面向扩展目标跟踪的网格聚类量测集划分方法。首先,由目标之间的时空关联性,将当前时刻的量测划分为存活目标量测与新生目标量测。然后,针对高斯混合概率假设密度滤波器与扩展目标高斯混合概率假设密度滤波器,分别推导出改进的模糊C均值算法与改进的网格聚类算法用于划分存活目标量测集与新生目标量测集。仿真结果表明本文方法可实现量测集的准确划分,有效完成扩展目标跟踪,避免了漏检与过检。

摘要： 针对基于密度的噪声应用空间聚类算法(density based spatial clustering of applications with noise,DBSCAN)计算复杂度较高以及无法聚类多密度数据集等问题,提出了一种网格聚类算法和DBSCAN相结合的融合聚类算法(G_FDBSCAN)。利用网格划分技术将数据集划分为稀疏区域和密集区域,分而治之,降低计算的时间复杂度和采用全局参数引起的聚类误差;改进传统的DBSCAN聚算法得到FDBSCAN,将密集区域中网格聚类的结果作为一个整体参与后续的聚类,在网格划分基础上进行邻域检索,减少邻域检索和类扩展过程中对象的无效查询和重复查询,进一步减少时间开销。理论分析和实验测试表明,改进后的算法与DBSCAN算法、DPC算法、KMEANS算法、BIRCH算法和CBSCAN算法相比,在聚类结果接近或达到最优的情况下,聚类效率分别平均提升了24倍、11倍、2倍、3倍和1倍。

摘要： 针对K-means算法随机初始中心点的选取及K值用户设定的缺点,提出了一种基于网格的分簇算法.该算法首先通过将用户进行网格聚类分簇,找到密度大于所设定阈值的网格,识别为密集网格.然后对这些密集网格的中心执行最大最小距离算法,并返回所有网格的聚类中心和聚类K值,将其作为K-means算法的初始条件,执行K-means算法.最后,对文中算法及K-means算法做了时间复杂度、算法运行时间、分簇结果的常见评价指标(CH指标、轮廓系数、兰德指数)做了对比.仿真结果表明:该算法的时间复杂度和K-means基本相同,对于预处理过的数据相比K-means算法收敛速度更快.对于文中数据分簇:CH指标提升了31.786,轮廓系数提升了0.044,兰德系数提升了0.154,使得我们最终的分簇指标更优.

摘要： 为了提高大规模非结构化数据的分布式存储能力,提出基于空间网格聚类的大规模非结构化数据分布式存储方法.构建大规模非结构化数据多维空间分布式融合模型,采用模糊中心权重聚类的方法进行数据的线性加权控制处理,通过样本扩展和密度融合的方法提取数据特征,采用选择随机性特征分析方法实现对数据特征空间划分,并利用空间网格聚类方法实现大规模非结构化数据分布式存储.仿真结果表明,该方法的执行时间较短,数据聚类准确性较高.该方法有效提高了大规模非结构化数据分布式存储性能,实际应用效果好.

摘要： 针对目前车载16线激光雷达点云数据中障碍物检测算法准确率不高的问题,提出了一种基于自适应网格聚类的障碍物检测方法.首先,结合八叉树与随机抽样一致性算法(RANSAC)去除地面点;其次,投影点云至二维网格,依据各网格高程信息快速提取高结构物;然后,建立两级网格模型,按照粗网格聚类结果的分布信息自适应地确定子网格分辨率,对可能包含多目标的障碍物在子网格层进行准确检测;最后,结合相邻时刻障碍物的状态信息修正检测结果.在16线激光雷达城市道路环境测试集下的实验结果表明:该算法可准确检测行驶区域内障碍物目标,优化后的聚类算法较好地降低了欠分割与过分割错误率,检测准确率达91％.

摘要： 在无线传感器网络中,传感器的能量时有限的,如果传感器的能量耗尽,那么无线传感网络的鲁棒性和寿命就会大大降低.因此,提出了基于模糊强化学习和果蝇优化的数据聚合机制,以最大限度地延长网络寿命,并进行高效数据聚合.首先,网格聚类用于簇的形成和簇头的选择,接着评估各个网格簇所有可能的数据聚合节点,然后采用模糊强化学习选取最佳数据聚合节点,最后利用果蝇优化算法动态定位整个无线传感网络的数据汇聚节点.仿真结果表明,提出的数据聚合方案在能耗和网络鲁棒性方面优于对比方案.

摘要： 针对网格聚类的特点,将其与MapReduce编程模型相结合,实现动车组海量数据中相似重复记录的清洗.Map函数判断每条记录所属的网格,并计算其到网格指定端点的距离.在Reduce阶段,筛选出网格编号和到网格指定端点距离相同的数据,接下来再利用SNM算法对这些数据进行处理.实验表明,将网格聚类应用到MapReduce上,能够快速地查找海量数据中的相似重复数据.

摘要： 针对高密度杂波环境中多目标航迹起始时虚假航迹多和起始处理速度慢的问题,提出了一种将扫描点迹先聚类后进行航迹起始的新算法TI-GCL(Track Initiation Algorithm Based on Grid Clustering and Modified Logic Algorithm).新算法通过网格核技术和边界提取技术分别对高、低密度网格中的回波点迹进行处理,得到更为准确的簇,进一步利用簇中数据对象的相似度进行聚类,最后对每个聚类中的点迹运用修正逻辑法起始目标航迹.仿真结果表明,该算法在高密度杂波环境下能够准确、快速地起始多目标航迹,适于工程运用.

摘要： 提出了一种将密度与网格聚类技术相结合的数据流分析方法(DGS)。它运用密度聚类能发现任意形状的簇以及网格聚类能独立于对象数目的特点，结合CluStream的两个过程(在线微簇和离线聚类)，在网格中引入密度和时标的概念来处理数据流。该算法不仅能发现任意形状的聚类，而且实现了关键参数的动态设置，有效地克服了用户对聚类参数输入难的问题。

摘要： 聚类分析作为一种无监督的学习方法在模式识别、机器学习等领域得到了广泛的研究，并已成功应用于实际。随着网络的发展和信息收集技术的进步，实际应用的数据正变得越来越庞大和复杂，因此对聚类算法产生了新的需求，如何在大规模和带有噪声的数据集中有效发现任意形状的簇就是其中之-。基于划分的聚类算法，如经典的K-MEANS，倾向于发现数据集中具有超球形状的簇且无法识别噪声；基于密度的聚类算法DBSCAN等可以有效地识别具有任意形状的簇和噪声，且在使用数据索引技术后可达到O(nlogn)的时间复杂度，但对于大规模数据集创建和维护索引需要较大的时间和空间开销。层次型聚类算法CURE采用收缩后的多代表点表示一个簇，可以识别具有任意形状和密度不均匀的簇，但其时间复杂度达到O(n2logn)。基于网格的聚类算法CLiQUE等可以识别任意形状的簇，并且其时间复杂度通常较低，但这些算法的聚类质量与网格划分的尺度密切相关，而确定划分尺度并非一项容易的操作。本文结合CURE算法和网格算法的优点提出一种新的聚类算法ShrinClus。该算法利用簇内与簇间数据点的密度差异，使数据点往簇内移动，让簇内变得更紧密而簇间变得更分离，从而查找准确的簇边缘来确定簇。ShrinClus能发现任意形状并具有密度差异的簇，具有接近线性的计算复杂度。

摘要： 针对基于密度的DBSCAN聚类算法对输入参数Eps敏感及算法时间复杂度高的问题,提出了一种基于数据分区和网格聚类相结合的密度聚类算法(PC-DBSCAN).首先,计算每个数据点到其K最近邻域内所有数据点的距离的平均值K-ave,根据每个数据点对应的K-ave值进行单维度聚类来实现数据分区,缓解了算法对全局参数Eps敏感的问题;其次,针对每一个数据分区,把其对应的数据空间划分成以Eps为网格阈值互不相交的网格单元,在确定核心对象时,只需要对数据点所在网格单元及其周围的网格单元进行遍历,避免了遍历数据空间中所有的数据点,优化了核心点的确定方式,降低了时间复杂度;最后,对各数据分区聚类结果进行合并.实验结果表明,改进后的算法是正确和高效的.

摘要： 本发明公开了一种基于网格重拆分小波聚类的柔性负荷聚类方法和装置，对构造的原始负荷数据空间网格拆分后再进行边缘负荷数据网格重拆分，对存储于重拆分网格下的负荷数据应用小波变换，形成新的负荷数据空间；在新的负荷数据空间中寻找连通单元并进行小波聚类，得到聚类单元，为每个聚类单元添加相应的柔性负荷聚类标签，将新的负荷数据空间中负荷数据的聚类标签传递给原始负荷数据空间中的负荷数据，输出柔性负荷聚类集合。本发明能够对各类的柔性负荷根据其负荷特征进行聚类，将具有相似特征属性的柔性负荷对象聚合，从而为大量柔性负荷的集中控制、调度提供参考。

摘要： 本发明公开了一种基于网格重拆分小波聚类的柔性负荷聚类方法和装置，对构造的原始负荷数据空间网格拆分后再进行边缘负荷数据网格重拆分，对存储于重拆分网格下的负荷数据应用小波变换，形成新的负荷数据空间；在新的负荷数据空间中寻找连通单元并进行小波聚类，得到聚类单元，为每个聚类单元添加相应的柔性负荷聚类标签，将新的负荷数据空间中负荷数据的聚类标签传递给原始负荷数据空间中的负荷数据，输出柔性负荷聚类集合。本发明能够对各类的柔性负荷根据其负荷特征进行聚类，将具有相似特征属性的柔性负荷对象聚合，从而为大量柔性负荷的集中控制、调度提供参考。

摘要： 本发明属于数据处理技术领域，公开了一种基于网格粒度计算的聚类方法及聚类系统，基于网格粒度计算的聚类方法包括读取原始数据集；初始化相关参数；对n维数据进行划分，划分为互不相交的网格，遍历所有网格并将其标记为中心网格，边缘网格和噪声网格；对处理后的网格进行基于粒度的密度计算，根据密度峰值获得聚类中心，最后输出聚类结果。本发明在K‑means算法的基础上，消除了噪声的影响，同时优化了初始点的选取；通过网格化优化解决了基于密度峰值的快速聚类算法计算量大的问题，也避免了过多的人工决策和因此导致的误差。通过引入粒度的概念，避免了网格化时破坏密集区域的边缘，提高了聚类初始化中心点的准确性。

摘要： 本发明为一种基于二进制占用网格的点云聚类与包围方法。首先，在点云空间中生成极坐标网格，将点云数据映射到极坐标网格中；对极坐标网格进行0/1赋值，生成二进制占用网格，并将点云数据映射到极坐标网格中；其次，对二进制占用网格进行膨胀处理，对膨胀图像进行连通区域分析，得到所有的连通区域，每个连通区域即为一个障碍物点云，完成障碍物点云的聚类；最后，提取障碍物点云边框并生成生成点云边框二进制占用网格，识别障碍物点云主方向建立包围盒。基于二进制占用网格的聚类运算更迅速，所需时间更短，本申请建立的包围盒结构更加紧凑，能够更精确地反应障碍物的尺寸，为机器人避障提供了良好的理论基础。

摘要： 本发明公开了基于网格编码调制下高安全性聚类映射多芯光传输系统，包括：网络编码调制模块，用于对输入的原始比特流进行串并转换，获得并行的比特流；二维星座聚类映射模块，用于基于二维星座，并行的比特流映射获得二维星座图。三维星座聚类映射模块，用于基于聚类映射算法，将并行的比特流从二维星座图扩展至三维几何星座图；三维星座加密模块，用于选取蔡氏混沌模型，生成扰动向量；基于扰动向量，生成三维空间扰动的混沌四元数矩阵，将三维几何星座图扰动成三维球形星座图。二维星座及维特比译码模块，用于根据聚类映射算法，将立方体星座图还原成二维的星座图，获得二维符号信息；对二维符号信息进行维特比译码，获得原始比特流。

摘要： 本发明公开了一种基于自适应网格划分聚类的软件架构恢复方法，利用软件间的依赖关系，对其软件架构进行重新组织，以求恢复其软件架构描述。首先，利用软件源代码构建软件关联网络，选择合适的网络嵌入算法提取特征向量；其次利用提取出的特征向量进行内部分析，得到聚类算法所需的相关参数，将特征向量在网格空间中进行划分，通过筛选出稠密网格区域确定聚类迭代所需的初始中心点；最后将利用初始中心点进行划分类聚类迭代，得到最终结果为以源文件为节点的相关软件架构描述。本发明能够快速且有效地对软件源文件进行聚类，得到相对准确的聚类结果作为软件框架描述，解决了现有按代码特性提取特征操作繁琐，且聚类结果准确率低的问题。

摘要： 本发明针对CLIQUE算法参数人工选择的缺点，本文提出一种于自适应网格边界划分的多维数据聚类改进算法。首先对人工输入的密度阈值参数进行改进，将每个维度划分为多个网格单元，然后计算每个维度投影的数据点数和和非空单元网格的个数和，计算出密度阈值。之后针对维度过高时产生的问题进行改进，当进行聚类时，子空间的密集连通单元网格的数量等于1时，说明该子空间将所有数据聚为一类，同时也会删除一些孤立点和少部分簇中数据点，故对数据聚类帮助不大，可将此维度舍弃。密集连通单元网格的数量大于1时，说明该子空间能够有效帮助聚类，可将此子空间保留下来。最后采用自适应网格边界划分，改进原先硬划分网格单元的问题。

摘要： 本发明提出一种基于网格聚类的分布式电源群控群调控制方法及装置，包括分布式电源实时状态获取和控制指令获取；地理网格化聚类；聚类分区排序；控制指令分解执行；二次指令分解；直到达到控制精度。本发明利用地理网格化和分区方法，优化了分布式电源调节控制的速度和精度，提升了分布式电源管理控制水平，解决了分布式电源的极端调峰问题。

摘要： 本发明涉及一种基于人工蜂群和网格聚类的数字非恒包络调制信号频偏盲估计方法及系统，包括：步骤1：接收信号；步骤2：频偏粗估计；步骤3：人工蜂群算法频偏精估计：将粗估计的载波频率代入到人工蜂群算法中，寻优函数为去掉载波频率后的划分网格的信号星座图中星座点占据的面积，人工蜂群算法通过在粗估计的载波频率附近进行随机迭代，最终求得全局最优值；步骤4：返回频率偏移。本发明在解决寻优问题上有着更快的求解速度，并且蜂群算法其随机性可避免陷入局部最优值，在利用网格法寻找星座点占据面积最小的问题上，可以具有更少的计算量和更快的求解速度，在实际非合作通信系统应用中，可以更加快速进行信号处理分析，提高实时性。

摘要： 一种基于网格聚类的锡膏印刷异常区域定位系统及其方法，分析装置依据网格尺寸信息对电路板尺寸信息进行网格划分以生成多个划分网格，当判断出不良焊点总数大于等于密集门坎值时，分析装置将对应的划分网格设定为高密集网格，分析装置将相互连接且为高密集网格的划分网格整合为各自的不良焊点高密集区域，由此可以达成通过整合不良焊点高密集区域以提供对不良焊点的定位的技术功效。