摘要：为提高盲源分离算法在振动源数目估计问题中的噪声鲁棒性,提出了一种基于密度峰值聚类的欠定盲源分离算法。对预处理后的信号提取单源点,通过密度峰值聚类对单源点进行聚类得到混合矩阵的估计值。通过基于压缩感知模型对源信号进行重构,得到分离信号。为验证所提算法分离准确性和噪声鲁棒性,用所提算法对不同信噪比下的仿真信号进行分离,结果显示:在信噪比不低于4 dB时,所提算法均可以准确分离出源信号,算法的准确性和鲁棒性得到验证。设计旋转部件故障诊断试验台对所提算法在实际应用中的有效性进行验证,对实测复合故障振动信号进行分离,试验结果表明该算法成功分离出观测信号中的锥齿轮和行星齿轮单一故障特征,有助于工程中旋转部件故障诊断。

摘要：密度峰值聚类(density peak clustering,DPC)是一种简单有效的聚类分析方法.但在实际应用中,对于簇间密度差别大或者簇中存在多密度峰的数据集,DPC很难选择正确的簇中心;同时,DPC中点的分配方法存在多米诺骨牌效应.针对这些问题,提出一种基于K近邻(K-nearest neighbors,KNN)和优化分配策略的密度峰值聚类算法.首先,基于KNN、点的局部密度和边界点确定候选簇中心;定义路径距离以反映候选簇中心之间的相似度,基于路径距离提出密度因子和距离因子来量化候选簇中心作为簇中心的可能性,确定簇中心.然后,为了提升点的分配的准确性,依据共享近邻、高密度最近邻、密度差值和KNN之间距离构建相似度,并给出邻域、相似集和相似域等概念,以协助点的分配;根据相似域和边界点确定初始聚类结果,并基于簇中心获得中间聚类结果.最后,依据中间聚类结果和相似集,从簇中心到簇边界将簇划分为多层,分别设计点的分配策略;对于具体层次中的点,基于相似域和积极域提出积极值以确定点的分配顺序,将点分配给其积极域中占主导地位的簇,获得最终聚类结果.在11个合成数据集和27个真实数据集上进行仿真实验,与最新的基于密度峰值的聚类算法作对比,结果表明:所提算法在纯度、F度量、准确度、兰德系数、调整兰德系数和标准互信息上均表现出良好的聚类性能.

摘要：建立塔机有限元模型,获取塔机完好状态和各损伤工况的各采集点的动态位移。提出了两种模型建立方法,基于悬臂梁的双输入单输出模型和基于时域数据的动态双输入单输出模型,对基于时域数据的双输入单输出模型首先利用最小二乘法计算参数初值,进一步利用粒子群优化方法进行参数优化,提高了模型精度。以完好工况的塔机数据为基础,建立基于悬臂梁的双输入单输出模型和基于时域数据的双输入单输出模型,计算参数,建立损伤识别模型,用待检状态的位移数值拟合模型,用两种模型计算出的残差方差做损伤因子,利用密度峰值聚类方法对损伤因子进行分析,实现了对塔机的损伤判定和损伤位置的确定。这种基于密度峰值聚类的诊断方法可对塔机微小损伤进行智能诊断和位置确定,该方法只需要塔机完好状态的数据和待检状态的数据即可自动诊断,解决了塔机损伤识别中损伤数据难以获取,因而无法实现智能训练和诊断的问题。

摘要：针对密度峰值聚类算法DPC(clustering by fast search and find of density peaks)时间复杂度高、准确度低的缺陷,提出了一种基于Ball-Tree优化的快速密度峰值聚类算法BT-DPC。算法利用第k近邻度量样本局部密度,通过构建Ball-Tree加速密度ρ及距离δ的计算;在类簇分配阶段,结合k近邻思想设计统计学习分配策略,将边界点正确归类。通过在UCI数据集上的实验,将该算法与原密度峰值聚类算法及其改进算法进行了对比,实验结果表明,BT-DPC算法在降低时间复杂度的同时提高了聚类的准确度。

摘要：为提高室内环境定位系统的精度和可靠性,分析传统定位算法在数据样本选取和模型学习过程中的局限性,设计一种基于密度峰值聚类(density peak cluster,DPC)的随机森林(random forest,RF)室内定位系统。以密度峰值聚类中心为依据对接收信号强度(receive signal strength,RSS)数据进行指纹样本选取,通过指纹数据库训练随机森林模型,结合网格搜索和交叉验证技术寻求最优RF定位模型。实验结果表明,DPC算法建立的指纹数据库可靠性高,优化选择得到的RF模型与单分类回归模型相比,定位精度得到了提升。

摘要：针对密度峰值聚类(CFSFDP)算法处理多密度峰值数据集时,人工选择聚类中心易造成簇的误划分问题,提出一种结合遗传k均值改进的密度峰值聚类算法。在CFSFDP求得的可能簇中心中,利用基于可变染色体长度编码的遗传k均值的全局搜索能力自动搜索出最优聚类中心,同时自适应确定遗传k均值的交叉概率,避免早熟问题的出现。在UCI数据集上的实验结果表明,改进算法具有较好的聚类质量和较少的迭代次数,验证了所提算法的可行性和有效性。

摘要：为缩减图像检索和匹配范围,提高检索速度和准确率,将快速搜索密度峰值聚类用于对图像,按照特征相似性原则进行聚类,在类中心和最接近的一类中进行图像检索。考虑到传统的图像特征提取算法忽略了图像颜色的空间分布信息,提取的特征信息无法突出感兴趣的图像区域,通过等面积矩形环对图像进行划分并计算各空间区域的相关性,根据空间区域相关性计算各区域的重要性,将空间信息与颜色信息进行融合;对聚类算法的截断距离进行合理改进,保证了聚类的精度;将该密度峰值聚类算法应用于图像检索之中。对比实验结果表明,所提聚类算法和空间特征提取方法提高了图像检索的效率和准确性。

摘要：针对密度峰值聚类(density peaks clustering,DPC)算法由于分配策略导致其在非凸集上聚类效果不佳的问题,提出一种基于密度可达的优化密度峰值(density up to DPC,DTDPC)算法。算法根据簇中心权值趋势自动选择聚类中心,设计了基于密度可达的两步分配策略,对核心点与边界点进行划分。实验结果表明,DTDPC算法在凸数据与非凸数据集上均表现良好,与K-means、DBSCAN、DPC聚类算法的性能相比,DTDPC算法更加稳定。

摘要：在雷达信号分选中引入密度峰值聚类,可以快速发现聚类中心点,无需确定聚类数目。借鉴势熵概念提出密度熵,优化了聚类中核函数截断距离的选取算法。对如何自动判断聚类数目和聚类中心点问题进行了研究,设计了门限函数和判断规则,还对原算法的分配、合并准则进行了优化。仿真实验结果证明了该算法的有效性。

摘要：特征选择可以有效地去除高维数据中的冗余和不相关的特征,保留重要的特征,从而降低模型计算的复杂性,提高模型精度。在特征选择过程中,针对数据中存在的离群点和边界点等可能影响分类效果的噪声数据,提出了基于粗糙集与密度峰值聚类的特征选择方法。首先,通过密度峰值聚类方法去除噪声数据,并挑出簇类中心;然后,结合粗糙集理论的思想,按簇类中心划分数据,并根据同一簇类的点应具有相同标签的假设,定义特征重要性评价指标;最后,设计了一种启发式特征选择算法,用于挑选出使簇类结构纯度更高的特征子集。在6个UCI数据集上,与其他算法进行了分类精度、特征选择个数和运行时间的对比实验,实验结果验证了所提算法的有效性和高效性。