|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | DBSCAN聚类算法的研究与改进显示文摘针对'基于密度的带有噪声的空间聚类'(DBSCAN)算法存在的不足,提出'分而治之'和高效的并行方法对DBSCAN算法进行改进.通过对数据进行划分,利用'分而治之'思想减少全局变量Eps值的影响;利用并行处理方法和降维技术提高聚类效率,降低DBSCAN算法对内存的较高要求;采用增量式处理方式解决数据对象的增加和删除对聚类的影响.结果表明:新方法有效地解决了DBSCAN算法存在的问题,其聚类效率和聚类效果明显优于传统DBSCAN聚类算法. | 冯少荣 肖文俊 | 2008 | 中国矿业大学学报2008，37，1： | 83 |
| 2 | SA-DBSCAN:一种自适应基于密度聚类算法显示文摘DBSCAN是一种经典的基于密度聚类算法,能够自动确定簇的数量,对任意形状的簇都能有效处理.DBSCAN算法需要人为确定Eps和minPts2个参数,导致聚类过程需人工干预才能进行.在DBSCAN的基础上提出了SA-DBSCAN聚类算法,通过分析数据集统计特性来自动确定Eps和minPts参数,从而避免了聚类过程的人工干预,实现聚类过程的全自动化.实验表明,SA-DBSCAN能够选择合理的Eps和minPts参数并得到较高准确度的聚类结果. | 夏鲁宁 荆继武 | 2009 | 中国科学院研究生院学报2009，26，4： | 78 |
| 3 | 基于DBSCAN聚类算法的研究与实现显示文摘高密度聚类作为数据挖掘中聚类算法的一种分析方法,它能找到样本比较密集的部分,并且概括出样本相对比较集中的类。文中分析了传统的聚类算法及局限性,讨论了一个基于高密度聚类算法的实现过程,使得算法可自动发现高维子空间,处理高维数据表格,得到较快的聚类速度和最佳的聚类效果。 | 荣秋生 颜君彪 郭国强 | 2004 | 计算机应用2004，24，4： | 76 |
| 4 | 一种基于簇中心点自动选择策略的密度峰值聚类算法显示文摘针对基于密度峰值的聚类算法(CFSFDP)无法自行选择簇中心点的问题,提出了CFSFDP改进算法。该算法采用簇中心点自动选择策略,根据簇中心权值的变化趋势搜索'拐点',并以'拐点'之前的一组点作为各簇中心,这一策略有效避免了通过决策图判决簇中心的方法所带来的误差。仿真实验采用5类数据集,并与DBSCAN及CFSFDP算法进行了对比,结果表明,CFSFDP改进算法具有较高的准确度及较强的鲁棒性,适用于较低维度的数据的聚类分析。 | 马春来 单洪 马涛 | 2016 | 计算机科学2016，43，7： | 45 |
| 5 | 采用密度聚类算法的兴趣点数据可视化方法显示文摘针对目前对兴趣点数据的主要可视化方法均无法从宏观角度清晰地描述其分布规律及特征的问题,提出了基于密度聚类算法DBSCAN的兴趣点可视化方法。采用DBSCAN算法对兴趣点数据进行聚类及可视化,既有效地解决大数据量时兴趣点数据重叠遮盖的问题,又在宏观角度上发现其分布规律且在细节层次上保持数据的位置精确度。在学区房选址的应用中,将常用的兴趣点可视化方法与聚类可视化相结合,可以较为直观地选取合适的学区房。 | 张铁映 李宏伟 许栋浩 孟超越 朱燕 | 2016 | 测绘科学2016，41，5： | 36 |
| 6 | 屏蔽了输入参数敏感性的DBSCAN改进算法显示文摘提出了一种新的DBSCAN改进算法 ,通过记录簇连接信息 ,能够有效地屏蔽输入参数敏感性 ,提高聚类结果的质量 ,同时保持了DBSCAN算法的高执行效率。 | 蔡颖琨 谢昆青 马修军 | 2004 | 北京大学学报(自然科学版)2004，40，3： | 39 |
| 7 | 基于密度的DBSCAN聚类算法的研究及应用显示文摘首先对DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法进行了深入研究,分析了它的特点、存在的问题及改进思想,提出了基于DBSCAN方法的交通事故多发点段的排查方法及其改进思路,并且给出了实例以说明处理过程及可行性。实验结果表明本文提出的方法可以大大提高交通事故黑点排查效率。 | 冯少荣 肖文俊 | 2007 | 计算机工程与应用2007，43，20： | 30 |
| 8 | 基于轨迹段DBSCAN的船舶轨迹聚类算法显示文摘船舶自动识别系统(Automatic Identification System, AIS)数据中蕴藏着大量的海上交通特征,为挖掘AIS数据中有关船舶运动规律有效的、潜在的信息,提出一种改进型轨迹段DBSCAN(Density-Based Spatitcal Clustering of Applications with Noise)的聚类算法。船位转向角和航速变化量作为信息度量对船舶轨迹进行分段,采用离散Frechet距离作为轨迹相似度度量,利用类似DBSCAN算法对轨迹段进行聚类,得出船舶运动典型轨迹。以天津港为例,采用改进的轨迹段DBSCAN算法对船舶轨迹进行聚类,能从一定程度上提高聚类的效果和准确率,为进一步研究船舶异常行为打下基础。 | 江玉玲 熊振南 唐基宏 | 2019 | 中国航海2019，42，3： | 29 |
| 9 | 基于知识决策树的城市水体提取方法研究显示文摘针对城市水体与建筑物阴影、沥青路面和浓密植被等暗地物的光谱混淆性,构建了结合光谱特征和空间特征的城市水体提取知识决策树。其基本思路为:首先利用短波红外波段提取暗地物,其次分别利用浓密植被在近红外波段和沥青路面在红波段中的反射率剔除这两类暗地物,再次利用空间密度特征剔除建筑物阴影,最后根据面积对水体进行补充识别。与现有方法相比,本方法提出了城市水体提取中需关注的暗地物类型并开展针对性特征分析,并利用由噪声环境下密度聚类方法(DBSCAN)描述的空间密度特征区分城市水体和建筑物阴影。对北京城区SPOT 5多光谱影像开展的实验得到的检测率为86.18%,虚警率为13.82%,表明本方法是基于中分辨率多光谱影像提取城市水体的有效方法。 | 陈静波 刘顺喜 汪承义 尤淑撑 王忠武 | 2013 | 遥感信息2013，28，1： | 28 |
| 10 | 一种改进的自适应快速AF-DBSCAN聚类算法显示文摘基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与Min Pts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚类算法。根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与Min Pts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92 s。 | 周治平 王杰锋 朱书伟 孙子文 | 2016 | 智能系统学报2016，11，1： | 28 |
| 11 | 基于差分隐私保护的DP-DBScan聚类算法研究显示文摘差分隐私保护是一种基于数据失真的隐私保护方法,通过添加随机噪声使敏感数据失真的同时也保证数据的统计特性。针对DBScan聚类算法在聚类分析过程中会泄露隐私的问题,提出一种新的基于差分隐私保护的DP-DBScan聚类算法。在满足ε-差分隐私保护的前提下,DP-DBScan聚类算法在基于密度的DBScan聚类算法上引入并实现了差分隐私保护。算法能够有效地保护个人隐私,适用于不同规模和不同维度的数据集。实验结果表明,与DBScan聚类算法相比,DP-DBScan聚类算法在添加少量随机噪声的情况下能保持聚类的有效性并获得差分隐私保护。 | 吴伟民 黄焕坤 | 2015 | 计算机工程与科学2015，37，4： | 26 |
| 12 | 基于优化DBSCAN算法的激光雷达障碍物检测显示文摘在激光雷达障碍物检测中,由于数据密度分布不均匀,传统DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类,容易导致漏检和误检。为了解决这个问题,改进了传统DBSCAN算法聚类邻域半径ε参数的选值方法,不同于传统DBSCAN算法在聚类过程中使用统一的聚类邻域半径,而是调整为根据目标距离变化而变化的自适应聚类邻域半径。首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立ε^*列表,然后依据每个扫描点的坐标值在列表中查找出对应的列表值,最后通过线性插值法确定对应的邻域半径。福特数据集的实验结果表明,优化之后的DBSCAN算法无论是对近距离目标还是远距离目标,其聚类效果均得到明显改善。与传统算法相比,障碍物检测正检率提高了17.52%。 | 蔡怀宇 陈延真 卓励然 陈晓冬 | 2019 | 光电工程2019，46，7： | 25 |
| 13 | 基于网格单元的DBSCAN算法显示文摘针对DBSCAN算法时间开销大的缺点,提出了基于网格单元的DBSCAN算法,通过对数据空间进行网格单元划分来优化DBSCAN算法中最耗时的区域查询过程,省去了大量不必要的查询操作,并分析了网格单元的划分方式对本文算法的影响,通过选取最优划分方式,提高整个算法的运行效率。通过仿真实验,验证了基于网格单元的DBSCAN算法具有较高的准确率和较低的时间复杂度。 | 刘淑芬 孟冬雪 王晓燕 | 2014 | 吉林大学学报(工学版)2014，44，4： | 24 |
| 14 | 基于激光雷达和视觉信息融合的车辆识别与跟踪显示文摘为提高自动驾驶系统对车辆目标的识别和跟踪精度,提出一种基于激光雷达和单目视觉的信息融合框架。利用改进的DBSCAN算法对障碍物点云数据进行聚类,采用更快速区域卷积神经网络(Faster R-CNN)识别单目视觉图像中的车辆目标,融合两种传感器的信息获得完整的车辆目标信息,使用联合概率数据关联(JPDA)算法实时跟踪目标车辆的运动状态。试验结果表明,该算法可有效避免传感器杂波的干扰,能够适应车辆目标的数量变化并及时更新航迹信息,具有较高的精度和鲁棒性。 | 宫铭钱 冀杰 种一帆 陈琼红 | 2020 | 汽车技术2020，，11： | 22 |
| 15 | 一种基于密度的高效聚类算法显示文摘在聚类算法DBSCAN(DensityBasedSpatialClusteringofApplicationswithNoise)的基础上,提出了一种基于密度的高效聚类算法。该算法首先对样本集按某一维排序,然后通过在核心点的邻域外按顺序选择一个未标记的样本点来扩展种子点,以便减少查询次数,降低聚类的时间花费。对样本进行非线性核变换后再进行聚类可以有效地改善聚类的质量。理论分析表明,该算法的时间复杂性接近于线性复杂度。同时测试结果也表明新算法的时间复杂度和聚类质量都显著优于DBSCAN算法。 | 石陆魁 何丕廉 | 2005 | 计算机应用2005，25，8： | 21 |
| 16 | VDBSCAN:变密度聚类算法显示文摘传统的密度聚类算法不能识别并聚类多个不同密度的簇。对此提出了变密度聚类算法VDBSCAN,针对密度不稳定的数据集,可有效识别并同时聚类不同密度的簇,避免合并和遗漏。VDBSCAN算法的基本思想是:根据k-dist图和DK分析,对数据集中的不同密度层次自动选择一组Eps值,分别调用DBSCAN算法。不同的Eps值,能够找到不同密度的簇。4个二维数据集实验验证了VDB-SCAN算法的有效性,表明VDBSCAN算法可以有效地聚类密度不均匀的数据集,且参数Eps的自动选择方法也是有效的和健壮的。 | 周董 刘鹏 | 2009 | 计算机工程与应用2009，45，11： | 20 |
| 17 | 一种改进的基于密度的聚类算法显示文摘聚类是数据挖掘领域中的一个重要研究方向,在基于密度的聚类算法DBSCAN的基础上,提出了一种改进的基于密度的聚类算法,该算法在核心点的邻域扩展中不再将邻域内的点作为种子点,而是按顺序选择一个邻域外未被标记的点作为种子点,然后分不同情况进行相应的聚类扩展,此算法可以有效减少聚类中核心点邻域重叠区域查询的次数和运行的时间,实验测试结果也表明该算法聚类的效率和质量明显优于DBSCAN算法. | 许虎寅 王治和 | 2012 | 微电子学与计算机2012，29，2： | 20 |
| 18 | 社会化标签系统中基于密度聚类的Web用户兴趣建模方法显示文摘Web用户兴趣模型在个性化信息服务中有着非常重要的作用。本文利用社会化标签的独特优势,针对传统社会化标签聚类方法的局限性,提出了一种基于密度聚类的Web用户兴趣建模方法。首先建立基于社会化标签的向量空间模型,并将社会化标签表示为Web资源及其权重的形式,以此为基础利用DBSCAN算法对其进行聚类,进而依据所有Web用户的标注行为以每个聚类为中介计算特定Web用户对Web资源的兴趣度来构建Web用户兴趣模型。实验结果表明了该方法的优越性。 | 易明 操玉杰 沈劲枝 毛进 | 2011 | 情报学报2011，30，1： | 18 |
| 19 | 自适应局部半径的DBSCAN聚类算法显示文摘经典的基于密度的聚类方法 DBSCAN算法需要指定邻域半径和最小数据点阈值两个基本参数.这两个参数的确定对聚类结果的影响非常大.目前缺少有效的参数选择确定方法,同时DBSCAN算法在聚类过程中,使用统一的邻域半径参数,使得密度不均匀集上的聚类质量不高.本文提出一种自适应选择局部半径的密度聚类算法(SALE-DBSCAN),通过确定密度峰值点,自适应选择聚类的局部邻域半径,简化了参数选择的过程;通过使用自适应选择的局部邻域半径扩张密度峰值点的邻域进行聚类,提高了聚类结果质量.实验结果表明,本SALE-DBSCAN算法相较其他密度聚类算法的聚类结果更加准确. | 秦佳睿 徐蔚鸿 马红华 曾水玲 | 2018 | 小型微型计算机系统2018，39，10： | 18 |
| 20 | 基于优化DBSCAN算法的玉米种子纯度识别显示文摘为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对玉米种子的图像处理方法和聚类算法进行研究,提出一种基于最远优先遍历的DBSCAN玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB、HIS和Lab种颜色模型特征参数,选取H、S、B作为识别向量;其次通过最远优先遍历算法剔除密度差异特征向量边缘异常散点;最后采用DBSCAN算法进行密度聚类。实验结果表明,该方法玉米纯度识别正确率达93.3%。 | 刘双喜 王盼 张春庆 王金星 | 2012 | 农业机械学报2012，43，4： | 17 |
您所在的机构暂未开通此部分的功能，请联系管理员