搜索结果: 1-11 共查到“计算机科学技术 DBSCAN”相关记录11条 . 查询时间(0 秒)
一种基于近似EMD的DBSCAN改进算法
聚类 DBSCAN算法 近似EMD 高维数据
2013/12/11
DBSCAN(densitybased spatial clustering of applications with noise)算法是基于密度的经典聚类算法,但是该算法应用于高维数据时,常用距离函数不能很好地反映出数据点之间的关系, 从而可能导致聚类簇不够精确。如果能在高维空间中采用合适的距离度量,将会改善聚类结果。针对上述问题,提出利用近似EMD(earth mover’s distanc...
针对闪电定位仪中庞大而杂乱的定位数据,提出一种基于改进DBSCAN聚类算法(IDBSCAN)进行闪电聚类分析的方法。该方法依据闪电定位系统中的实时监控数据,搜索闪电密度大于阈值范围的地闪点,建立密度可达最大值的地闪聚类簇,并找到该簇类中的核心地闪点。同时,应用邻接表结构对DBSCAN算法进行改进,使得初始地闪数据的搜索集的建立时间和空间得到大大减少。在聚类分析结果基础上,对核心地闪点的移动路径进行...
改进的快速DBSCAN算法
聚类 DBSCAN 邻域 核心对象
2009/9/25
针对DBSCAN算法时间性能低效的问题，分析快速聚类过程中丢失对象的原因，提出一种新的改进算法IF-DBSCAN。该算法在不丢失对象的基础上，通过选取核心对象邻域中的代表对象来扩展类，从而减少邻域查询次数，提高了算法的时间性能。实验结果表明，IF-DBSCAN算法是正确和高效的。
基于DBSCAN算法的营运车辆超速点聚类分析
数据挖掘 聚类 营运车辆
2009/8/12
针对挖掘营运车辆超速点过程中存在的问题，提出一种基于密度的聚类方法。该方法依据车载GPS实时监控数据，挖掘超速多发点段，通过区域查询搜索超速点邻域内所有超速事件，寻求超速密度大于阈值的点或地段，并创建密度可达最大值的超速点聚类。同时利用简单直观的邻接表替代R*-树，简化了数据结构的建立过程，减少内存占用。实验结果表明，该方法有效。
基于DBSCAN的批量更新聚类算法
增量聚类 空间数据库 批量更新聚类算法
2009/8/11
为更新批量数据，提出一种基于DBSCAN的新聚类方法。该算法通过扫描原对象确定它们同增量对象间的关系，得到一个相关对象集，同时根据该相关对象和增量对象之间的关系获得新的聚类结果。实验结果表明，该算法与DBSCAN是等价的，能更有效地解决批量数据更新时的增量聚类问题。
适用于公交站点聚类的DBSCAN改进算法
DBSCAN算法 参数敏感 数据挖掘
2009/7/30
提出一种适用于公交站点聚类的DBSCAN改进算法，缩小搜索半径ε，从而提高聚类正确度，同时通过共享对象判定连接簇的合并，防止簇的过分割，减少噪声点，有效地屏蔽了算法对输入参数的敏感性，提高聚类结果的质量，减少密度差距对聚类结果的影响。保持DBSCAN算法的高执行效率，并应用在智能公交换乘查询引擎中公交站点聚类，聚类准确率提高了16%，验证了新算法的有效性。
DBSCAN算法在桥梁健康监测预测模型中的应用
海量数据预处理 DBSCAN聚类算法 回归预测
2009/7/24
针对桥梁健康监测系统的海量监测数据，提出了一种基于DBSCAN聚类分析算法的桥梁健康监测预测模型，该算法通过对原始数据文件分段进行聚类分析预处理，有效地缓解了海量数据的存储问题。进一步对预处理后的数据，采用回归拟合算法，完成对桥梁健康状况的预测功能。
基于网格的高效DBSCAN算法
聚类 密度 网格
2009/7/2
DBSCAN是一种性能优越的基于密度的聚类算法。为提高它的运行效率，提出了基于网格的DBSCAN算法GbDBSCAN。该算法使用网格划分的方法和数据分箱技术，减少了判定密度可达对象时的搜索范围，降低了算法的运行时间，而且算法还能够识别并处理边界点。实验结果表明，GbDBSCAN在不降低DBSCAN聚类质量的前提下，大大提高了DBSCAN算法处理低维数据集的效率。
基于密度的DBSCAN聚类算法的研究及应用
DBSCAN 交通事故多发点（段） 数据挖掘
2009/6/26
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。
多密度阈值的DBSCAN改进算法
数据挖掘 聚类 密度
2009/2/12
在分析了基于密度的聚类算法（DBSCAN）及其改进算法的缺点的基础上，提出了一种多密度阈值的DBSCAN改进算法。算法通过构建网格密度矩阵绘制密度分布图，辅助用户确定密度层次划分。根据基于网格与基于密度的聚类算法间的等效规则计算各个密度层次的密度阈值ε。通过多密度层次的聚类过程得到多个密度层次上的更加精细的聚类结果。解决了DBSCAN算法参数选取困难和难以发现密度相差较大的簇的问题，具有重要的实用...