DBSCAN算法

摘要： 针对传统的合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)中存在的忽略类间不平衡、类内不平衡、无法控制合成样本的噪声等问题,结合DBSCAN聚类算法,提出了一种基于DBSCAN改进的SMOTE算法:使用DBSCAN算法对少数类样本进行聚类,计算少数类密度系数和采用权重为每个簇分配采样数量,将每个簇中样本点按照到簇质心的距离分为2类,对每类中的样本点分配不同的随机系数进行过采样,得到新的较为平衡的数据集。根据获取的数据集进行实验表明,改进的算法可以很好地改善分类器的分类性能。

摘要： 经典DBSCAN(density based spatial clustering of applications with noise)算法需要人工指定邻域半径(Eps)和点数阈值(Minpts),且均为全局参数,导致聚类准确率低。针对此问题,为了提高经典DBSCAN聚类算法的聚类准确率,基于网格划分思想,提出了一种局部自适应DBSCAN聚类算法。根据数据集自身特征生成网格空间,将特征数据映射至相应的网格空间;利用高斯核函数估计每个网格区间的局部密度;联合多维度网格密度分布信息,寻找无连接或弱连接高密度网格之间的区域,同时统计同区域的波峰数量,从而自适应确定各区域的Eps及Minpts参数;使用每个区域独有的参数作为DBSCAN算法输入,并进行聚类。实验结果表明,该算法能够在聚类过程中自适应确定每个局部区域的Eps和Minpts参数,聚类准确率高且耗时较低。

摘要： 提升复杂通航环境下船舶航行安全性,提出复杂环境中高可用船舶AIS大数据信息处理方法。选取分布式架构作为船舶AIS大数据的信息处理架构,采集船舶AIS数据,对数据实施报文解析处理,利用云计算节点将完成AIS大数据传送至Oracle数据库。Oracle数据库采用同步复制技术,利用Markov链建立可用性评估模型,依据可用性评估结果确定分布式数据库的最佳接管方案,提升AIS大数据的可用性。选取Dbscan算法完成数据聚类,数据聚类结果为舰船目标识别等应用提供数据基础。实验结果表明,该方法可以有效处理船舶AIS大数据,数据聚类的类内相似度高于0.93,信息处理可用性高。

摘要： 随着教育信息化的不断深入,如何从海量数据中挖掘出教育规律引起关注。本文以学情数据为基础,建立学情分析可视化系统,以密度聚类算法为依托,对学生考勤与学情隐含关系、学情稳定性进行了分析研究,并将分析结果可视化。利用DBSCAN聚类算法对数据集挖掘分析,结果表明,教育数据可为高校决策提供管理依据。

摘要： DBSCAN算法的Eps和MinPts参数需要人为设定,取值不当会导致聚类结果准确度不高,且在密度分布差异大的数据集上,由于参数的全局性,错误地应用于不同密度的簇,导致不能正确地发现簇。针对以上问题,提出一种多密度自适应参数确定算法,利用经过去噪衰减后的数据集的自身分布特性生成候选Eps和MinPts参数列表,并在簇数趋于稳定的区间内根据去噪级别选取对应的Eps和MinPts作为初始密度阈值。对在该密度阈值条件下聚类产生的噪声数据使用同样的方法生成候选参数列表,选取最优参数,得到新密度阈值,循环该步骤直到噪声数据的数量或密度阈值低于一定程度为止。将不同密度阈值下的聚类结果进行合并。实验结果表明,该算法能够自适应地选取合适的多密度阈值,并在密度分布差异大的数据集上有很好的聚类效果。

摘要： 基于密度的聚类算法(DBSCAN)是最有效的轨迹数据挖掘方法之一,但基于密度的聚类算法往往受到输入参数选择的限制。在轨迹数据挖掘中,聚类结果不仅受到类内距离和类间距离的影响,还受到聚类中坐标点个数的影响。因此,提出了一种新的基于内外占空比的集群有效性指标来平衡这三个因素,该指标可以自动选择密度聚类的输入参数,并在不同的数据集上形成有效的聚类,优化后的聚类方法可应用于出行者行为轨迹的深度分析和挖掘。实验结果证明,与传统的有效性指标相比,提出的基于占空比的评价指标能够优化输入参数,获得较好的出行者位置信息聚类结果。

摘要： 单体电池间的性能差异是影响动力电池组使用安全性的主要因素之一,为识别电池组中一致性差的电池,即更容易发生危险的异常电池。文章在常规DBSCAN算法的基础上进行改进,针对其对输入参数敏感的缺陷,提出一种基于数据分布特性自适应确定MinPts参数和Eps参数的改进DBSCAN算法。将改进DBSCAN算法用于电池一致性分析,并利用电池充放电数据设计相关实验进行验证,验证结果表明所提出的算法异常电池识别效果良好。

摘要： 针对DBSCAN聚类算法随着数据量增大,耗时越发非常严重的问题,提出一种基于KD树改进的DBSCAN算法(以下简称KD-DBSCAN).通过KD树对数据集进行划分,构造邻域对象集,提前区分出噪声点和核心点,避免聚类过程中对噪声的邻域集计算以及加快了核心点对象的邻域集查询速度.文中以浮动车GPS数据为实验数据,对比传统DBSCAN算法和KD-DBSCAN算法的聚类效果和时间性能,实验结果表明KD-DBSCAN算法的聚类效果和传统的DBSCAN基本一致,但时间性能有很大的提升.

摘要： 二分类问题中的样本不平衡会导致传统分类算法不能很好地对数据进行分类,为解决这一问题,本文采用DBSCAN聚类算法和逻辑回归相结合的混合策略,该策略通过DBSCAN算法将二分类问题转化为多分类问题以平衡数据集,然后采用逻辑回归one-vs-one分类模型,实现对不平衡样本的有效分类,有效消除样本不平衡问题对分类精度的影响。该方法在锅炉燃烧故障诊断的实验结果表明,相比传统的解决样本不平衡问题的方法,DBSCAN结合逻辑回归的混合策略方法具有更好的分类性能,能有效提高分类精度。

摘要： 采用聚类算法和异常值检测算法进行车辆轨迹信息的提取与挖掘,在交通控制与管理、道路拥堵时空分析与治理、用户出行线路规划与推荐,以及自动驾驶决策规划等应用中具有重要意义.针对现有聚类算法和异常值检测算法参数难以控制、算法存在随机性的不足,提出基于K-Medoids与DBSCAN组合的聚类算法.通过对模拟十字交叉路口数据集的训练,得到一个交叉路口最佳聚类模型,并用真实轨迹数据集验证、优化该模型.然后,将交叉路口区域内一段时间内的轨迹聚类数据流进行可视化再现,取得了异常轨迹少、聚类速度快的聚类效果,同时比较选择出算法各个参数的最优值.最后,通过参数传递使DBSCAN算法能够更精确地识别出异常轨迹,为交通治理与自动驾驶决策提供指导.

摘要： DBSCAN算法是密度聚类算法的典型代表，它具有适用于各种形状簇、对噪声和离群点不敏感等优良特性，但经典的DBSCAN算法不能处理不确定性数据。本文采用密度思想，对核心点和密度可达等概念进行重新定义，基于不确定对象的可能世界模型，提出了一种聚类不确定数据的密度聚类算法PWDBSCAN，分析表明，PWDBSCAN算法能够在不确定数据中检测到合理的聚类。

摘要： DBSCAN算法是密度聚类算法的典型代表，它具有适用于各种形状簇、对噪声和离群点不敏感等优良特性，但经典的DBSCAN算法不能处理不确定性数据。本文采用密度思想，对核心点和密度可达等概念进行重新定义，基于不确定对象的可能世界模型，提出了一种聚类不确定数据的密度聚类算法PWDBSCAN，分析表明，PWDBSCAN算法能够在不确定数据中检测到合理的聚类。

摘要： DBSCAN算法是密度聚类算法的典型代表，它具有适用于各种形状簇、对噪声和离群点不敏感等优良特性，但经典的DBSCAN算法不能处理不确定性数据。本文采用密度思想，对核心点和密度可达等概念进行重新定义，基于不确定对象的可能世界模型，提出了一种聚类不确定数据的密度聚类算法PWDBSCAN，分析表明，PWDBSCAN算法能够在不确定数据中检测到合理的聚类。

摘要： DBSCAN算法是密度聚类算法的典型代表，它具有适用于各种形状簇、对噪声和离群点不敏感等优良特性，但经典的DBSCAN算法不能处理不确定性数据。本文采用密度思想，对核心点和密度可达等概念进行重新定义，基于不确定对象的可能世界模型，提出了一种聚类不确定数据的密度聚类算法PWDBSCAN，分析表明，PWDBSCAN算法能够在不确定数据中检测到合理的聚类。

摘要： DBSCAN算法是密度聚类算法的典型代表，它具有适用于各种形状簇、对噪声和离群点不敏感等优良特性，但经典的DBSCAN算法不能处理不确定性数据。本文采用密度思想，对核心点和密度可达等概念进行重新定义，基于不确定对象的可能世界模型，提出了一种聚类不确定数据的密度聚类算法PWDBSCAN，分析表明，PWDBSCAN算法能够在不确定数据中检测到合理的聚类。

摘要： 针对海量日志信息的分析处理,应用了数据挖掘中的DBSCAN聚类算法,并加以实验验证,从而提出了一种海量日志信息分析处理的技术方法。实验结果表明,这种方法能够发现联系紧密的日志信息,帮助用户判断网络的使用情况与安全情况。针对DBSCAN算法在确定参数方面的不足,提出一种基于网格建立不规则数据分区获取合理参数的方法,可以改进DBSCAN算法的参数。

摘要： 针对海量日志信息的分析处理,应用了数据挖掘中的DBSCAN聚类算法,并加以实验验证,从而提出了一种海量日志信息分析处理的技术方法。实验结果表明,这种方法能够发现联系紧密的日志信息,帮助用户判断网络的使用情况与安全情况。针对DBSCAN算法在确定参数方面的不足,提出一种基于网格建立不规则数据分区获取合理参数的方法,可以改进DBSCAN算法的参数。

摘要： 针对海量日志信息的分析处理,应用了数据挖掘中的DBSCAN聚类算法,并加以实验验证,从而提出了一种海量日志信息分析处理的技术方法。实验结果表明,这种方法能够发现联系紧密的日志信息,帮助用户判断网络的使用情况与安全情况。针对DBSCAN算法在确定参数方面的不足,提出一种基于网格建立不规则数据分区获取合理参数的方法,可以改进DBSCAN算法的参数。

摘要： 针对海量日志信息的分析处理,应用了数据挖掘中的DBSCAN聚类算法,并加以实验验证,从而提出了一种海量日志信息分析处理的技术方法。实验结果表明,这种方法能够发现联系紧密的日志信息,帮助用户判断网络的使用情况与安全情况。针对DBSCAN算法在确定参数方面的不足,提出一种基于网格建立不规则数据分区获取合理参数的方法,可以改进DBSCAN算法的参数。

摘要： 针对海量日志信息的分析处理,应用了数据挖掘中的DBSCAN聚类算法,并加以实验验证,从而提出了一种海量日志信息分析处理的技术方法。实验结果表明,这种方法能够发现联系紧密的日志信息,帮助用户判断网络的使用情况与安全情况。针对DBSCAN算法在确定参数方面的不足,提出一种基于网格建立不规则数据分区获取合理参数的方法,可以改进DBSCAN算法的参数。

摘要： 本发明提供一种基于改进DBSCAN算法的航空发动机泵调系统异常检测方法。本发明根据航空发动机泵调系统的工作特性选择特征参数，继而从发参数据中进行特征提取，得到算法的输入特征矩阵。同时根据算法输入数据的特点，提出了一种创新型的动态时间规整与具有噪声的基于密度的聚类算法相结合的异常检测算法。相比于传统的基于正态分布的异常检测算法，本发明提出的算法异常检测的结果更为精确。本发明克服了具有噪声的基于密度的聚类算法在处理时间序列问题上无法挖掘各个时间序列之间关系的缺陷，将具有噪声的基于密度的聚类算法与动态时间规整相结合提高了算法处理时间序列问题的能力。

摘要： 本发明涉及一种基于DBSCAN算法的虚假林火热点过滤方法，包括：确定时空聚类的参数；通过该确定的参数，利用DBSCAN算法对历史林火热点数据进行分析；基于上述分析，提取虚假林火热点。本发明基于时空数据的虚假林火热点判识方法，通过对计算机判读的历史林火热点数据的挖掘而形成的固定热源数据库，能够快速的排除在遥感影像上由固定热源造成的虚假林火热点。

摘要： 本发明公开了一种基于DBSCAN算法的弹性公交站点布局方法，包含以下步骤：(1)通过实地走访确定规划区域内的出行需求点，并逐一记录其高峰小时出行人流量以确定需求量；(2)以最大可接受到站距离为邻域半径参数，以单个站点高峰小时最大服务能力为密度阈值，利用DBSCAN算法对需求点进行聚类分析，得到孤立点集合和多个簇类；(3)首先在孤立点位置上设置站点，其次以乘客出行距离最短为目标，分别对不同簇类建立目标规划模型，筛选确定簇类内站点布局；(4)调整孤立点站点和类簇站点位置以符合站间距约束，进而确定最终方案。该方法为未来城市弹性公交发展中的基础设施合理布局提供了参考。

摘要： 本公开的基于DTW‑DBSCAN算法的空中目标分群方法，通过接收空中目标数据；判断空中目标数据的数量，对空中目标数据进行处理得到最新的空中目标数据；对最新的空中目标数据进行无量纲化处理；计算不同属性的最新的空中目标数据之间的DTW距离，形成DTW距离矩阵；利用KNN算法和数学期望法基于DTW距离矩阵分别生成DTW距离矩阵的平均最近邻距离集合和平均最近邻距离集合的邻域密度阈值；依次将平均最近邻距离集合中的元素和邻域密度阈值输入到DBSCAN算法进行聚类分群，输出空中目标分群结果。能够有效实现空中目标的动态分群，解决人为确定分群数目造成的目标分群结果的不稳定，及只对当前时刻目标数据进行目标分群易出错的问题，提高了空中目标分群的精确性。

摘要： 本发明公开了一种利用DBSCAN聚类算法识别云团的方法，包括以下步骤：获取第一单层仰角和第一多层仰角的反射率因子数据；根据不同云团反射率因子之间的差异设定不同的回波阈值；根据所述反射率因子数据和所述回波阈值，建立识别云团的DBSCAN算法模型；根据所述DBSCAN算法模型对云团进行分类识别；本发明可以对云团进行分类识别，使云团分类结果更直观，云团边缘、大小和类型明显。

摘要： 本发明涉及一种基于DBSCAN的聚类算法的蠕墨铸铁形核率预测方法，用聚类数代替共晶团数进行形核率计算，通过采集数据集，确定指定半径ε以及密度阈值minPts，进行DBSCAN算法统计，从而得到形核率预测模型。该方法可以更加准确地统计形核率，由此计算得到的冷却曲线与实验直接测得基本吻合，有助于提高蠕墨铸铁件的生产精度，良品率等。对于指导实际蠕墨铸铁的工业生产具有十分重要的意义。

摘要： 本发明涉及一种基于层次结构的改进DBSCAN算法。针对传统DBSCAN算法对数据量增大而带来的耗时严重的问题，本发明提出了一种基于层次结构的改进算法，首先自底向上对数据集简单层次聚类，但并不要求最终只有一个簇，然后对划分后的数据建造邻域对象集合，通过邻域集提前分离出噪声点，避免了噪声在聚类过程中的干扰，同时加快了算法核心点对象的邻域查询速度；根据优化后的DBSCAN算法，进行测试发现改进后的DBSCAN算法聚类结果基本不发生变化，但时间性能大大提高，降低了时间复杂度；本发明提前剥离出了噪声点，对算法执行速度有很好的效果，提高了算法的时间性能。

摘要： 本发明公开了一种基于DBSCAN算法的大规模数据分析方法，包括如下步骤：步骤一、通过环形通信计算邻接表；步骤二、局部初步确定核心点的临时簇号；步骤三、轮流广播同步核心点簇号；步骤四、反向环形通信更新边界点簇号。本发明能很好地解决DBSCAN算法在大规模数据聚类分析中的效率问题，本发明巧妙地分解DBSCAN算法递归计算过程计算步骤依赖问题，使其适用于分布式的执行模型，使得集群中不同结点的工作负载尽量平衡。极大减少分布式计算中的通信量，并利用非阻塞通信方式让计算和通信重叠，减少空闲等待时间。充分利用计算结点的内存，使得集群上的海量数据聚类分析成为现实。

摘要： 本发明公开了一种基于DBSCAN和随机森林算法的半监督气体识别方法：测量有机气体指标、pm2.5指标、环境温度数据，根据数据复杂度和该地点是否标记过气体类别，判定属于已知稳定或未知复杂气体环境；若为已知稳定气体环境，使用随机森林算法得到气体识别结果和已知异常气体预警；否则联合随机森林算法和DBSCAN算法进行气体分类识别，随机森林算法有标签结果中，若标签中某类气体为异常气体，把该类气体分为异常气体，DBSCAN算法无标签结果中，若某聚类数据偏离设定阈值，标记为异常气体，将两者气体分类结果通过重合度交叉验证，将有标签结果具体类别实现有标签结果和无标签结果对应，实现异常气体检测和气体分类。本发明适用于工业系统的局部复杂气体环境识别。

摘要： 本发明公开了一种基于随机森林和动态dbscan算法的结构面识别方法，解决了目前结构面识别操作繁琐不便，易造成真实信息丢失存在结构面起伏误差的弊端，其技术方案要点是通过采用三维激光扫描仪采集获取结构面的原始点云数据，计算并提取点云多尺度空间特征值，基于随机森林分类算法进行点云分类，将区域内所有点云分为平面点和交界线点，对原始点云数据设定邻点检索量，并通过最近邻算法，确定每个点云的邻域范围，最后通过动态dbscan算法对不同结构面的点云进行分割，完成对结构面的识别，本发明的一种基于随机森林和动态dbscan算法的结构面识别方法，无需重采样和网格化，有效地保留了结构面信息，更加精准、便捷。