三维扫描设备获得的点云数据不可避免地存在噪声,为去除不同尺度的噪声、较好地恢复出点云数据并保持模型的几何特征,采用了一种基于噪声尺度变化的点云并行去噪方法。该方法对于大尺度噪声,采用半径滤波与改进的具有噪声基于密度的聚类...三维扫描设备获得的点云数据不可避免地存在噪声,为去除不同尺度的噪声、较好地恢复出点云数据并保持模型的几何特征,采用了一种基于噪声尺度变化的点云并行去噪方法。该方法对于大尺度噪声,采用半径滤波与改进的具有噪声基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)算法去除;对于小尺度噪声,采用改进的双边滤波算法滤除,去噪后能使模型特征不被破坏。并且,采用八叉树并行化提高双边滤波的速度,对比传统双边滤波,去噪效果更好且去噪速度提高至120%。展开更多
可靠、准确的点云聚类是后续高精度场景目标分析与解译的基础.该文提出了一种基于上下文特征和图割算法的车载点云聚类方法.首先用DBSCAN(density-based spatial clustering of applications with noise)对点云数据进行过分割,得到密度...可靠、准确的点云聚类是后续高精度场景目标分析与解译的基础.该文提出了一种基于上下文特征和图割算法的车载点云聚类方法.首先用DBSCAN(density-based spatial clustering of applications with noise)对点云数据进行过分割,得到密度可达的超体素;然后引入空间和属性上下文特征来描述超体素间的关联,并用于定义超体素构建的图模型边的权值;最后基于多标记的图割优化算法得到最佳超体素聚簇.实验结果表明,该方法能够有效改善点云聚类过分割,从而提高聚类的精度.展开更多
行人预测直接影响到自动驾驶系统的安全性和可靠性,尤其是密集人群场景的行人预测。传统的人群预测方法通过对人群进行优先级分类,再按照不同优先级对行人逐个预测。但是,在密集人群场景,因为预测目标较多,即使正确划分了优先级,单纯依...行人预测直接影响到自动驾驶系统的安全性和可靠性,尤其是密集人群场景的行人预测。传统的人群预测方法通过对人群进行优先级分类,再按照不同优先级对行人逐个预测。但是,在密集人群场景,因为预测目标较多,即使正确划分了优先级,单纯依靠这种方法也会带来很大的处理时延。使用空间密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法对密集人群场景进行分析,选择合理的聚类算法参数,在聚类结果的基础上,结合传统优先级分类算法,简化人群的处理,并提出多线程并行处理的方法,以提高聚类算法的效率。通过对DBSCAN算法应用于人群预测的分析,丰富了人群预测的方法,为优化自动驾驶行人预测的表现提供了重要参考。展开更多
针对海战场环境下态势评估中目标数量多、类型复杂多样的问题,首先引入数据聚类对态势评估的目标分群环节进行聚类分群,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的密度聚类,可聚类任意形状的...针对海战场环境下态势评估中目标数量多、类型复杂多样的问题,首先引入数据聚类对态势评估的目标分群环节进行聚类分群,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的密度聚类,可聚类任意形状的数据簇,遍历性好,能够对战场环境下目标进行全面合理的分群;然后,给出了算法计算的基本步骤,并利用算例对已知战场态势的目标群进行正确性验证;最后,将该算法与基于划分的K-means算法、基于层次的AGNES(AGglomerative NESting)算法进行了对比分析,证明了该算法的有效性和合理性。展开更多
知识图谱嵌入表示模型将实体与关系转化为低维的向量表示,来表达实体与关系之间的关联语义,是解决知识图谱补全问题的重要方法。传统模型采用随机负采样来构造负例三元组,容易产生低质量负样本,影响表示模型的特征学习能力。基于相似性...知识图谱嵌入表示模型将实体与关系转化为低维的向量表示,来表达实体与关系之间的关联语义,是解决知识图谱补全问题的重要方法。传统模型采用随机负采样来构造负例三元组,容易产生低质量负样本,影响表示模型的特征学习能力。基于相似性的负采样方法,对实体点进行聚类,提高了负采样的质量。但针对知识图谱中的稀疏点,因无法控制聚类点数量,导致模型性能降低。经过对相似性负采样和样本点稀疏问题的研究,采用基于密度的聚类算法DBSCAN(Density-Based Spatial Clustering of Applications with Noise)对聚类中的样本进行头尾实体的替换,并对DBSCAN中的领域聚类半径采取了自适应优化,找到合适的聚类中心,降低离群点的数量。同时对于聚类外的离群点进行过采样,构造离群点的相似点,解决稀疏点负采样的问题。最后,将该负采样方法与TransE结合,得到了混合负采样模型TransE-DNS。研究结果表明:TransE-DNS在链路预测和三元组分类任务上取得了更好的效果。展开更多
基于机载激光雷达LiDAR(Light Detection and Ranging)数据识别震后建筑物震害,其前提是快速准确地提取建筑物点云。通过分析地震灾区机载激光雷达点云中提取建筑物点云的诸多难点,已有的方法难以达到预期效果,因此提出融合同机航空影...基于机载激光雷达LiDAR(Light Detection and Ranging)数据识别震后建筑物震害,其前提是快速准确地提取建筑物点云。通过分析地震灾区机载激光雷达点云中提取建筑物点云的诸多难点,已有的方法难以达到预期效果,因此提出融合同机航空影像数据的方法,实现了震后灾区建筑物点云的获取。该方法首先在数据预处理的基础上,利用布料模拟滤波CSF(Cloth Simulation Filtering)算法进行点云滤波,得到地面点云和非地面点云(主要是建筑物、植被和车辆行人等),并将航空影像红波段光谱信息赋予非地面点云;然后基于灰度直方图阈值分割的方法剔除植被点;最后对剩余激光脚点利用具有噪声的基于密度的空间聚类DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行聚类提取最终的建筑物点,并与参考建筑物点比对,进行精度验证,得到建筑物点云提取的漏检概率、虚警概率分别为15.61%、7.52%,总体精度可达84.39%。结果表明,在一定精度要求范围内,该方法能有效实现地震灾区建筑物点云的提取,可为震后机载LiDAR建筑物点云提取提供技术参考和方法借鉴,为建筑物震害识别做好基础工作。展开更多
针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN(density-based spatial clustering of applications with noise)的雷达自适应聚类算法。改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径。首先给...针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN(density-based spatial clustering of applications with noise)的雷达自适应聚类算法。改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径。首先给出一种聚类半径根据K近邻距离动态调整的机制:目标第K个近邻的距离与阈值相比较,以确定阈值半径取值。再提取雷达提供的目标反射截面,基于该值计算目标假象半径作为聚类半径的补充量。实现根据目标反射截面与数据稀疏程度自适应聚类的效果。将改进算法与不同参数的DBSCAN聚类算法在真实雷达点云数据进行实验对比。相较于选取合适参数的DBSCAN算法,改进算法能够更好适应毫米波雷达点云特征,对行人目标识别准确率提高4.18%,对车辆目标识别准确率提高5.63%。展开更多
针对点云数据中噪声点的剔除问题,提出了一种基于改进DBSCAN(density-based spatial clustering of applications with noise)算法的多尺度点云去噪方法。应用统计滤波对孤立离群点进行预筛选,去除点云中的大尺度噪声;对DBSCAN算法进行...针对点云数据中噪声点的剔除问题,提出了一种基于改进DBSCAN(density-based spatial clustering of applications with noise)算法的多尺度点云去噪方法。应用统计滤波对孤立离群点进行预筛选,去除点云中的大尺度噪声;对DBSCAN算法进行优化,减少算法时间复杂度和实现参数的自适应调整,以此将点云分为正常簇、疑似簇及异常簇,并立即去除异常簇;利用距离共识评估法对疑似簇进行精细判定,通过计算疑似点与其最近的正常点拟合表面之间的距离,判定其是否为异常,有效保持了数据的关键特征和模型敏感度。利用该方法对两个船体分段点云进行去噪,并与其他去噪算法进行对比,结果表明,该方法在去噪效率和特征保持方面具有优势,精确地保留了点云数据的几何特性。展开更多
为了对铁路系统涉恐事件进行风险管理,遏制铁路系统恐怖袭击事件的发生,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的铁路系统恐怖袭击风险评估方法。首先对1970—2017年发生的铁路系统恐怖袭...为了对铁路系统涉恐事件进行风险管理,遏制铁路系统恐怖袭击事件的发生,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的铁路系统恐怖袭击风险评估方法。首先对1970—2017年发生的铁路系统恐怖袭击案件进行统计分析,然后采用DBSCAN算法对恐怖袭击发生次数、死亡人数和受伤人数3项风险评价指标进行聚类分析,最终客观计算出几类袭击方式、袭击目标和86个国家的风险。结果表明,该方法的分析过程避免了人工赋值和专家打分策略,评估结果更具客观性和真实性,适用于反恐情报工作的风险评估领域。展开更多
This paper deals with the problem of piecewise auto regressive systems with exogenous input(PWARX) model identification based on clustering solution. This problem involves both the estimation of the parameters of the ...This paper deals with the problem of piecewise auto regressive systems with exogenous input(PWARX) model identification based on clustering solution. This problem involves both the estimation of the parameters of the affine sub-models and the hyper planes defining the partitions of the state-input regression. The existing identification methods present three main drawbacks which limit its effectiveness. First, most of them may converge to local minima in the case of poor initializations because they are based on the optimization using nonlinear criteria. Second, they use simple and ineffective techniques to remove outliers. Third, most of them assume that the number of sub-models is known a priori. To overcome these drawbacks, we suggest the use of the density-based spatial clustering of applications with noise(DBSCAN) algorithm. The results presented in this paper illustrate the performance of our methods in comparison with the existing approach. An application of the developed approach to an olive oil esterification reactor is also proposed in order to validate the simulation results.展开更多
为解决实时分析处理的海洋Argo浮标剖面观测数据特有的数据密度较高、快速响应且需要识别任意形状簇等问题,提出了一种可通过单次扫描数据集进行有效处理的低复杂度聚类算法DBIRCH(Density-Based Balanced Iterative Reducing and Clust...为解决实时分析处理的海洋Argo浮标剖面观测数据特有的数据密度较高、快速响应且需要识别任意形状簇等问题,提出了一种可通过单次扫描数据集进行有效处理的低复杂度聚类算法DBIRCH(Density-Based Balanced Iterative Reducing and Clustering Using Hierarchies)。该算法通过使用新引入的参数密度阈值修正因子,动态的更新限制CF(Clustering Feature)树生长的约束系数子空间阈值,同时结合密度关联思想在不同邻域内多次建立CF树且合并,最终以核心CF树子节点为聚类结果输出,避免了BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)算法对参数的过度依赖,同时因能处理任意形状簇从而提升了数据处理的整体鲁棒性,提高了处理Argo剖面监测数据的时效性和算法的整体吞吐速度。为测试算法的综合性能,使用真实Argo浮标剖面实时监测数据集,并根据不同的参数对算法做出多组对比实验,同时使用不同评价指标对算法从运行时间和聚类准确率上进行综合评估,从全局角度分析该算法在DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、BIRCH及DBIRCH 3种不同算法中综合聚类性能最优。实验结果表明,在3种算法中,BIRCH算法运算速度最快,但准确率最低;DBSCAN算法聚类性能高于BIRCH算法,但运算速度最慢;改进的DBIRCH算法运算效率略低于BIRCH算法,但聚类准确率最高。展开更多
为更好地监测船舶动态和船舶在港口的作业情况,通过对K-Means算法和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)密度聚类算法进行对比,选择DBSCAN密度聚类算法对港口泊位进行聚类,对港口泊位的位置和大小进...为更好地监测船舶动态和船舶在港口的作业情况,通过对K-Means算法和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)密度聚类算法进行对比,选择DBSCAN密度聚类算法对港口泊位进行聚类,对港口泊位的位置和大小进行识别。基于船舶自动识别系统(Automatic Identification System,AIS)历史数据、船舶动态信息和船舶基础信息,采用DBSCAN密度聚类算法对全球4079个港口的泊位进行自动识别,得出泊位的位置、方向、岸线长度和类型等信息。将聚类结果与真实泊位信息相对比,结果表明,聚类结果的误差很小,证明该算法是有效的。计算结果可用于实时跟踪船舶在港作业动态,分析泊位历史作业情况,为港航基于数据的协同优化提供参考。展开更多
文摘三维扫描设备获得的点云数据不可避免地存在噪声,为去除不同尺度的噪声、较好地恢复出点云数据并保持模型的几何特征,采用了一种基于噪声尺度变化的点云并行去噪方法。该方法对于大尺度噪声,采用半径滤波与改进的具有噪声基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)算法去除;对于小尺度噪声,采用改进的双边滤波算法滤除,去噪后能使模型特征不被破坏。并且,采用八叉树并行化提高双边滤波的速度,对比传统双边滤波,去噪效果更好且去噪速度提高至120%。
文摘可靠、准确的点云聚类是后续高精度场景目标分析与解译的基础.该文提出了一种基于上下文特征和图割算法的车载点云聚类方法.首先用DBSCAN(density-based spatial clustering of applications with noise)对点云数据进行过分割,得到密度可达的超体素;然后引入空间和属性上下文特征来描述超体素间的关联,并用于定义超体素构建的图模型边的权值;最后基于多标记的图割优化算法得到最佳超体素聚簇.实验结果表明,该方法能够有效改善点云聚类过分割,从而提高聚类的精度.
文摘行人预测直接影响到自动驾驶系统的安全性和可靠性,尤其是密集人群场景的行人预测。传统的人群预测方法通过对人群进行优先级分类,再按照不同优先级对行人逐个预测。但是,在密集人群场景,因为预测目标较多,即使正确划分了优先级,单纯依靠这种方法也会带来很大的处理时延。使用空间密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法对密集人群场景进行分析,选择合理的聚类算法参数,在聚类结果的基础上,结合传统优先级分类算法,简化人群的处理,并提出多线程并行处理的方法,以提高聚类算法的效率。通过对DBSCAN算法应用于人群预测的分析,丰富了人群预测的方法,为优化自动驾驶行人预测的表现提供了重要参考。
文摘针对海战场环境下态势评估中目标数量多、类型复杂多样的问题,首先引入数据聚类对态势评估的目标分群环节进行聚类分群,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的密度聚类,可聚类任意形状的数据簇,遍历性好,能够对战场环境下目标进行全面合理的分群;然后,给出了算法计算的基本步骤,并利用算例对已知战场态势的目标群进行正确性验证;最后,将该算法与基于划分的K-means算法、基于层次的AGNES(AGglomerative NESting)算法进行了对比分析,证明了该算法的有效性和合理性。
文摘知识图谱嵌入表示模型将实体与关系转化为低维的向量表示,来表达实体与关系之间的关联语义,是解决知识图谱补全问题的重要方法。传统模型采用随机负采样来构造负例三元组,容易产生低质量负样本,影响表示模型的特征学习能力。基于相似性的负采样方法,对实体点进行聚类,提高了负采样的质量。但针对知识图谱中的稀疏点,因无法控制聚类点数量,导致模型性能降低。经过对相似性负采样和样本点稀疏问题的研究,采用基于密度的聚类算法DBSCAN(Density-Based Spatial Clustering of Applications with Noise)对聚类中的样本进行头尾实体的替换,并对DBSCAN中的领域聚类半径采取了自适应优化,找到合适的聚类中心,降低离群点的数量。同时对于聚类外的离群点进行过采样,构造离群点的相似点,解决稀疏点负采样的问题。最后,将该负采样方法与TransE结合,得到了混合负采样模型TransE-DNS。研究结果表明:TransE-DNS在链路预测和三元组分类任务上取得了更好的效果。
文摘基于机载激光雷达LiDAR(Light Detection and Ranging)数据识别震后建筑物震害,其前提是快速准确地提取建筑物点云。通过分析地震灾区机载激光雷达点云中提取建筑物点云的诸多难点,已有的方法难以达到预期效果,因此提出融合同机航空影像数据的方法,实现了震后灾区建筑物点云的获取。该方法首先在数据预处理的基础上,利用布料模拟滤波CSF(Cloth Simulation Filtering)算法进行点云滤波,得到地面点云和非地面点云(主要是建筑物、植被和车辆行人等),并将航空影像红波段光谱信息赋予非地面点云;然后基于灰度直方图阈值分割的方法剔除植被点;最后对剩余激光脚点利用具有噪声的基于密度的空间聚类DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行聚类提取最终的建筑物点,并与参考建筑物点比对,进行精度验证,得到建筑物点云提取的漏检概率、虚警概率分别为15.61%、7.52%,总体精度可达84.39%。结果表明,在一定精度要求范围内,该方法能有效实现地震灾区建筑物点云的提取,可为震后机载LiDAR建筑物点云提取提供技术参考和方法借鉴,为建筑物震害识别做好基础工作。
文摘针对毫米波雷达数据均匀性差,数据量小,噪点多等问题,提出一种基于DBSCAN(density-based spatial clustering of applications with noise)的雷达自适应聚类算法。改进算法能够根据K近邻距离和目标反射截面自适应调整聚类半径。首先给出一种聚类半径根据K近邻距离动态调整的机制:目标第K个近邻的距离与阈值相比较,以确定阈值半径取值。再提取雷达提供的目标反射截面,基于该值计算目标假象半径作为聚类半径的补充量。实现根据目标反射截面与数据稀疏程度自适应聚类的效果。将改进算法与不同参数的DBSCAN聚类算法在真实雷达点云数据进行实验对比。相较于选取合适参数的DBSCAN算法,改进算法能够更好适应毫米波雷达点云特征,对行人目标识别准确率提高4.18%,对车辆目标识别准确率提高5.63%。
文摘针对点云数据中噪声点的剔除问题,提出了一种基于改进DBSCAN(density-based spatial clustering of applications with noise)算法的多尺度点云去噪方法。应用统计滤波对孤立离群点进行预筛选,去除点云中的大尺度噪声;对DBSCAN算法进行优化,减少算法时间复杂度和实现参数的自适应调整,以此将点云分为正常簇、疑似簇及异常簇,并立即去除异常簇;利用距离共识评估法对疑似簇进行精细判定,通过计算疑似点与其最近的正常点拟合表面之间的距离,判定其是否为异常,有效保持了数据的关键特征和模型敏感度。利用该方法对两个船体分段点云进行去噪,并与其他去噪算法进行对比,结果表明,该方法在去噪效率和特征保持方面具有优势,精确地保留了点云数据的几何特性。
文摘为了对铁路系统涉恐事件进行风险管理,遏制铁路系统恐怖袭击事件的发生,提出基于DBSCAN(density-based spatial clustering of applications with noise)算法的铁路系统恐怖袭击风险评估方法。首先对1970—2017年发生的铁路系统恐怖袭击案件进行统计分析,然后采用DBSCAN算法对恐怖袭击发生次数、死亡人数和受伤人数3项风险评价指标进行聚类分析,最终客观计算出几类袭击方式、袭击目标和86个国家的风险。结果表明,该方法的分析过程避免了人工赋值和专家打分策略,评估结果更具客观性和真实性,适用于反恐情报工作的风险评估领域。
文摘This paper deals with the problem of piecewise auto regressive systems with exogenous input(PWARX) model identification based on clustering solution. This problem involves both the estimation of the parameters of the affine sub-models and the hyper planes defining the partitions of the state-input regression. The existing identification methods present three main drawbacks which limit its effectiveness. First, most of them may converge to local minima in the case of poor initializations because they are based on the optimization using nonlinear criteria. Second, they use simple and ineffective techniques to remove outliers. Third, most of them assume that the number of sub-models is known a priori. To overcome these drawbacks, we suggest the use of the density-based spatial clustering of applications with noise(DBSCAN) algorithm. The results presented in this paper illustrate the performance of our methods in comparison with the existing approach. An application of the developed approach to an olive oil esterification reactor is also proposed in order to validate the simulation results.
文摘为解决实时分析处理的海洋Argo浮标剖面观测数据特有的数据密度较高、快速响应且需要识别任意形状簇等问题,提出了一种可通过单次扫描数据集进行有效处理的低复杂度聚类算法DBIRCH(Density-Based Balanced Iterative Reducing and Clustering Using Hierarchies)。该算法通过使用新引入的参数密度阈值修正因子,动态的更新限制CF(Clustering Feature)树生长的约束系数子空间阈值,同时结合密度关联思想在不同邻域内多次建立CF树且合并,最终以核心CF树子节点为聚类结果输出,避免了BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)算法对参数的过度依赖,同时因能处理任意形状簇从而提升了数据处理的整体鲁棒性,提高了处理Argo剖面监测数据的时效性和算法的整体吞吐速度。为测试算法的综合性能,使用真实Argo浮标剖面实时监测数据集,并根据不同的参数对算法做出多组对比实验,同时使用不同评价指标对算法从运行时间和聚类准确率上进行综合评估,从全局角度分析该算法在DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、BIRCH及DBIRCH 3种不同算法中综合聚类性能最优。实验结果表明,在3种算法中,BIRCH算法运算速度最快,但准确率最低;DBSCAN算法聚类性能高于BIRCH算法,但运算速度最慢;改进的DBIRCH算法运算效率略低于BIRCH算法,但聚类准确率最高。
文摘为更好地监测船舶动态和船舶在港口的作业情况,通过对K-Means算法和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)密度聚类算法进行对比,选择DBSCAN密度聚类算法对港口泊位进行聚类,对港口泊位的位置和大小进行识别。基于船舶自动识别系统(Automatic Identification System,AIS)历史数据、船舶动态信息和船舶基础信息,采用DBSCAN密度聚类算法对全球4079个港口的泊位进行自动识别,得出泊位的位置、方向、岸线长度和类型等信息。将聚类结果与真实泊位信息相对比,结果表明,聚类结果的误差很小,证明该算法是有效的。计算结果可用于实时跟踪船舶在港作业动态,分析泊位历史作业情况,为港航基于数据的协同优化提供参考。
