摘要：依据样本数据点分布的局部和全局一致性特征,提出了一种基于局部密度构造相似矩阵的谱聚类算法。首先通过分析样本数据点的分布特性给出了局部密度定义,根据样本点的局部密度对样本点集由密到疏排序,并按照设计的连接策略构建无向图;然后以GN算法思想为参考,给出了一种基于边介数的权值矩阵计算方法,经过数据转换得到谱聚类相似矩阵;最后通过第一个极大本征间隙出现的位置来确定类个数,并利用经典聚类方法对特征向量空间中的数据点进行聚类。通过人工仿真数据集和UCI数据集进行测试,实验结果表明本文谱聚类算法具有较好的顽健性。

摘要：为了解决网格聚类算法中的输入参数和聚类结果不精确问题,提出了基于局部密度的动态生成网格聚类算法(DGLD)。该算法使用动态生成网格技术能大幅度地减少数据空间中生成的网格单元的数量,并简化邻居的搜索过程;采用局部密度思想解决数据空间相邻部分对网格密度的影响,提高了聚类精度。该算法不需要用户输入参数,能识别任意形状的聚类并有效地去除噪声点。实验结果表明该算法是有效的。

摘要：固体火箭发动机是导弹的核心系统,为了提高固体火箭发动机的设计效率,将代理模型技术引入发动机的装药设计中。为在径向基代理模型中得到较好的近似能力,分析了径向基函数核宽度的物理意义及其对近似能力的影响,指出已有直接确定方法的不足。提出一种样本点的局部密度的计算方法,并基于采样点局部密度提出了一种核宽度的直接确定方法。数值实验验证了该方法在样本点均匀分布和非均匀分布的情况下均可以得到很好的近似效果。最后将改进的序列近似优化方法用于固体火箭发动机装药设计中,有效提高了发动机的设计效率。

摘要：针对k-means算法必须事先指定初始聚类数k,并且对初始聚类中心点比较敏感,聚类准则函数对求解的最优聚类数评价不理想,提出一种基于局部密度的启发式生成初始聚类中心方法,在此基础上设计一种准则函数自动生成聚类数目,改进了传统k-means算法.实验表明改进的算法比传统k-means算法提高了聚类效率.

摘要：在没有先验知识的前提下,聚类是分析样本集中不同类簇的有效方式。文中提出了一种基于改进力导向模型的聚类算法。为实现样本数据预处理的类内聚集和类间分离效果,设计了基于样本点局部密度和样本间距离的吸引力计算方法、基于样本点近邻连通图中边的介数的排斥力计算方法。实验结果表明,文中算法能够使得类内样本点更加聚集、类间样本点更加分离,可以有效地提高聚类的正确率。

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。

摘要：针对密度峰值聚类算法(Density Peaks Clustering,DPC)需要人为指定截断距离d c,以及局部密度定义简单和一步分配策略导致算法在复杂数据集上表现不佳的问题,提出了一种基于自然最近邻的密度峰值聚类算法(Density Peaks Clustering based on Natural Nearest Neighbor,NNN-DPC)。该算法无需指定任何参数,是一种非参数的聚类方法。该算法首先根据自然最近邻的定义,给出新的局部密度计算方法来描述数据的分布,揭示内在的联系;然后设计了两步分配策略来进行样本点的划分。最后定义了簇间相似度并提出了新的簇合并规则进行簇的合并,从而得到最终聚类结果。实验结果表明,在无需参数的情况下,NNN-DPC算法在各类数据集上都有优秀的泛化能力,对于流形数据或簇间密度差异大的数据能更加准确地识别聚类数目和分配样本点。与DPC、FKNN-DPC(Fuzzy Weighted K-nearest Density Peak Clustering)以及其他3种经典聚类算法的性能指标相比,NNN-DPC算法更具优势。

摘要：针对序列近似优化方法在代理模型构造与采样策略等方面的不足,基于采样点局部密度,引入与局部密度成反比的样本点影响体积概念,通过优化总影响体积确定径向基函数最优核宽度,满足序列近似优化过程不同规模、非均匀样本条件下的函数近似需要;建立潜在可行域最大距离加点准则,并与潜在最优加点准则结合平衡算法的探索能力与开发能力;建立三步收敛判定准则;构建改进序列近似优化的算法流程。对于Golinski减速器的优化设计问题,算法在目标函数调用42次后便搜索到全局最优解,体现了其良好的全局寻优能力与搜索效率。以"天航二号"火箭为例,建立其外形优化问题数学模型,所提优化方法在调用原始计算模型165次之后便搜索到全局最优解,大大提高了设计效率,同时飞行试验也表明设计结果满足要求。

摘要：针对密度峰值聚类(DPC)算法在处理结构复杂、维数较高以及同类中存在多个密度峰值的数据集时聚类性能不佳的问题,提出一种基于K近邻和多类合并的密度峰值聚类(KM-DPC)算法.首先利用定义的密度计算方法描述样本分布,采用新的评价指标获取聚类中心;然后结合K近邻思想设计迭代分配策略,将剩余点准确归类;最后给出一种局部类合并方法,以防将包含多个密度峰值点的类分裂.仿真实验结果表明,该算法在22个不同数据集上的性能明显优于DPC算法.

摘要：对复杂流形结构数据集进行聚类的难点是难以度量复杂流形结构的相似度并确定聚类中心个数。为解决这一难题,提出一种基于流形距离的度量方法,判断样本点间的近邻关系。综合考虑数据集全局和局部的空间流形分布,定义各样本点的局部密度;根据各样本点局部密度大小及其与其它样本点局部密度的关系,定义聚类中心判别准则;基于分级的示例判决策略实现对聚类中心数的自动确定和聚类中心的自动选择。实验结果表明,对于存在具有流形结构的数据集,该方法相对于已有算法能够有效提高聚类精度。