摘要：在高光谱异常检测的基于背景的估计的研究中,背景中存在的异常像元会对背景估计的准确性产生不利影响,通过获得一个不包含异常目标的纯净背景可以有助于提高异常目标检测算法的检测率。因此,本文提出一种基于局部密度的背景纯化方法以去除背景中的异常像元。经典的RX算法(Reed-Xiaoli detector,RXD)在背景统计信息估计时,因初始背景中存在异常像元而产生失真现象。这使RX算法的检测结果具有较高的虚警率。在本文中,将像元的局部密度作为该像元的异常度标签,通过最大类间方差法去除初始背景中潜在的异常像元,最后可以得到更纯净的背景集。利用纯化背景得到更准确的背景统计信息,可以有效降低RX算法的虚警率。首先,通过度量一定半径内的光谱邻域,获得像元的局部密度,半径选取为距离矩阵的平均中位数;然后,基于局部密度设计了两步分割策略:第一步,将原始背景分割为一个包含大部分背景像元的集合及一个混合着背景像元和异常像元的小子集。第二步,利用最大类间方差法处理小子集,获得一个判别阈值,去除局部密度小于该阈值的像元,得到纯净的背景。最后,利用RX检测算法和基于协同表示的检测算法验证所提背景纯化算法的有效性。本文算法对于圣地亚哥海军基地数据和Spec TIR数据,AUC值比LRXD分别提高了0.0246和0.0068,并且相比于其它算法有较高的检测率。实验结果说明,密度背景纯化方法有效抑制了异常点对背景数据的干扰,使背景协方差和均值等参数更准确,降低了虚警率。在计算密度时,需要人为设定半径值。对于两幅高光谱数据,在不同半径选择下DBRAD最大AUC差值为0.0088和0.0012,实验结果表明,人为选择半径值可能会对最后的检测效果造成较大影响。如何自适应选取半径将是下一步研究的重点。

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：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：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：为有效挖掘故障短文本中跨文本的词汇间关联,构建故障实体节点的全局特征表示,从而获取故障实体节点聚类标签,提出一种面向故障短文本的改进图节点嵌入与聚类方法。该方法首先在图结构构建过程中创新边权重计算方法,用以区分同一窗口下不同距离的词汇间关联;其次改进图节点结构特征获取方法,从而体现节点度值差异对嵌入的影响;通过融合节点的结构特征与关系特征,增强具有相似邻居节点的同类节点之间的相似性表现;在聚类阶段设计备选节点数参数以缓解截断距离的敏感性。该方法在公开数据集和真实业务数据上进行了参数分析和性能评估,结果表明该方法可获取精准有效的故障实体节点聚类结果。

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：针对运载火箭智能化设计对近似模型计算效率及精度提出的更高要求,提出快速交叉验证改进的径向基函数(RBF)近似建模方法。RBF是非线性多峰耗时模型近似建模的重要方法之一,其基函数形状参数的合理确定可大幅提升RBF近似模型预测精度。针对现有RBF形状参数确定中待求变量多和计算复杂等问题,提出基于样本局部密度的形状参数表征方法。将多个形状参数的复杂域优化问题转化为缩放系数确定的单变量优化问题,实现形状参数优化与训练样本数量解耦。提出通用快速K-折交叉验证算法合理确定缩放系数,推导出通用交叉验证误差求解过程中高阶矩阵快速求逆和交叉验证误差快速求解公式,将径向基函数形状参数确定的计算复杂度从n3降低为(n/k)^(3),提升了径向基函数近似建模效率和精度。采用数值算例和工程算例进行校验,结果表明本文方法具有较好的预测精度和通用性,在飞行器设计领域有一定的工程应用价值。