代表点

摘要： 密度峰值聚类算法是一种基于密度的聚类算法.针对密度峰值聚类算法存在的参数敏感和对复杂流形数据得到的聚类结果较差的缺陷,提出一种新的密度峰值聚类算法,该算法基于自然反向最近邻结构.首先,该算法引入反向最近邻计算数据对象的局部密度;其次,通过代表点和密度相结合的方式选取初始聚类中心;然后,应用密度自适应距离计算初始聚类中心之间的距离,利用基于反向最近邻计算出的局部密度和密度自适应距离在初始聚类中心上构建决策图,并通过决策图选择最终的聚类中心;最后,将剩余的数据对象分配到距离其最近的初始聚类中心所在的簇中.实验结果表明,该算法在合成数据集和UCI真实数据集上与实验对比算法相比较,具有较好的聚类效果和准确性,并且在处理复杂流形数据上的优越性较强.

摘要： 传统的KNN算法存在分类效率低等缺点.针对这些缺点,本文提出一种高效的结合多代表点思想的加权KNN算法,利用变精度粗糙集上下近似区域的概念,结合聚类算法生成代表点集合构造分类模型,再运用结构风险最小化理论优化分类模型并对影响分类模型的因素进行分析.分类过程中根据测试样本与各代表点的相似度,得到测试样本的相对位置.其中属于样本点下近似区域的测试样本可直接判断其类别.若测试样本在其他区域,则根据测试样本与各代表点的相对位置对各代表点覆盖范围内的样本进行加权后判断测试样本的类别.在文本分类领域的数据集上进行实验,结果表明该算法能有效的提高分类模型的性能.

摘要： 密度峰值聚类(DP)算法是一种新的基于密度的聚类算法,当它处理的单个聚类包含多个密度峰值时,会将每个不同密度峰值视为潜在聚类中心,以致难以在数据集中确定正确数量聚类,为此,提出一种混合的密度峰值聚类算法C-DP.首先,以密度峰值点为初始聚类中心将数据集划分为予簇;然后,借鉴代表点层次聚类算法(CURE),从子簇中选取分散的代表点,将拥有最小距离的代表点对的类进行合并,引入参数收缩因子以控制类的形状.仿真实验结果表明,在4个合成数据集上C-DP算法比DP算法聚类效果更好;在真实数据集上的Rand Index指标对比表明,在数据集S1上,C-DP算法比DP算法性能提高了2.32％,在数据集4k2_far上,C-DP算法比DP算法性能提高了1.13％.由此可见,C-DP算法在单个类簇中包含多密度峰值的数据集中能提高聚类的准确性.

摘要： 根据平面平台型6-UPS并联机器人的结构特点,选取3个代表点的空间坐标作为参数来描述动平台的位置和姿态,结合3个代表点之间的约束条件,建立9个参数的一次与二次多项式方程组,通过对方程组进行消元处理,最终得到6个未知数表示的二次多项式方程.针对所获得的二次多项式方程组特点,改进传统牛顿-拉夫森数值迭代算法,并将其用于并联机器人的一般六维二次多项式方程数值求解,迭代算法收敛并可得到唯一解.数值算例表明,在同等条件下,传统旋转矩阵方法的计算时间为1.42～2.67 ms,所提代表点算法计算时间为0.14～0.23ms,大大减少了计算时间,提高了收敛速度和计算效率,为并联机器人高性能闭环实时控制奠定了良好基础.

摘要： 针对传统K近邻分类器在大规模数据集中存在时间和空间复杂度过高的问题,可采取原型选择的方法进行处理,即从原始数据集中挑选出代表原型(样例)进行K近邻分类而不降低其分类准确率.本文在CURE聚类算法的基础上,针对CURE的噪声点不易确定及代表点分散性差的特点,利用共享邻居密度度量给出了一种去噪方法和使用最大最小距离选取代表点进行改进,从而提出了一种新的原型选择算法PSCURE(improved prototype selection algorithm based on CURE algorithm).基于UCI数据集进行实验,结果表明:提出的PSCURE原型选择算法与相关原型算法相比,不仅能筛选出较少的原型,而且可获得较高的分类准确率.

摘要： 本文基于国家语言资源保护工程的启动开展,针对“潮汕方言有无保护价值”、“潮汕方言会消亡吗”、“潮汕方言中哪个方言点是最标准的”、“潮汕方言中哪个方言点是最古老的”和“潮剧是用哪个方言点演唱的”等五个问题,展开讨论和阐述.本文对于汉语方言资源保护工程的开展,具有现实的指导意义,例如关于调查选点、布点和发音合作人的选择、非遗项目的录音摄像等等.这五个问题也是其他方言土语也都会产生的共性问题,因而带有普遍性的学术意义.

摘要： 基于密度分布式聚类算法(DBDC)在分布式聚类运算中运用广泛,但具有较高的算法时间复杂度.本文提出了一种基于代表点交互的全局聚类方法,利用数据网格运算方法将数据对象映射到空间网格,改进基于密度的分布式聚类算法,优化原算法的空间搜索过程,从而改进生成本地聚类的效率.同时在全局聚类层面可利用中心点作为代表点来降低聚类误差.通过实验,表明该方法能够改进基于密度的分布式聚类算法,较传统分布式聚类算法提高了准确性度并降低了算法时间复杂度.

摘要： In order to solve the speed slow problem of clustering the incremental large data, this paper proposes a fast clustering method based on the representative points and the density peaks.Firstly, this algorithm uses the method of representative points to achieve clustering the incremental large data.According to deleting the invalid cluster data, the average density of cluster is adjusted.Then the algorithm of representative points is used to update the samples.Finally, the algorithm of density peaks is used to repeat clustering in order to update the core point.The experimental results show that the algorithm can effectively improve the convergence speed of the algorithm.In the application aspect, this clustering algorithm can be used in face clustering work with the large amount of data and optimize the effect of face clustering.%为了解决增量大数据聚类速度缓慢问题,提出了一种结合密度峰和代表点分析的快速聚类算法.先对样本集进行初始化聚类,然后根据删除失效的聚类数据调节聚类簇群的密度均值,再利用代表点的算法对样本集进行更新,最后采用密度峰算法进行重复聚类从而更新聚类核心点.通过实验分析表明:该算法可有效提高算法收敛速度.在应用方面,将这种聚类算法引用到大数据量的人脸聚类工作中,优化人脸聚类的效果.

摘要： 本文针对传统聚类算法只用一个中心点表示类的缺点,提出一种新的基于代表点的聚类算法。该算法借鉴CURE算法中多个代表点表示一个类的思想,首先采用划分方法将数据生成原子簇,然后以这些原子簇为基础,进行聚类。该方法能够识别任意形状及大小的类,去除噪声点,并且具有近似线性运行时间等优点。文中分析了该算法的计算复杂度并通过实例验证了该方法的有效性。

摘要： 非线性滤波算法一直是个活跃的研究方向,本文引入数论中的多元分布累积分布函数代表点,提出了一种基于代表点的非线性滤波算法,用于处理非线性高斯系统的滤波问题.文中对该算法在目标跟踪中应用进行了仿真实验,实验结果表明该算法得到的结果非常接近Cramer-Rao下界.

摘要： 基于均匀数论网格在F-偏差准则下解决了统计模式识别中用有限个离散点来代表一个连续分布的问题，可以应用于分段线性分类和K-近邻聚类。

摘要： 本发明公开了一种基于代表垂线点流速测量高洪的非接触式测流方法，包括以下几个步骤：(1)根据河流断面资料确定一条或多条垂线的位置，使用雷达流速仪测出施测垂线下方的河流表面点流速；(2)由施测垂线的表面点流速推算出多条垂线的表面点流速V1～Vp(共p条垂线的表面点流速)；(3)把多条垂线上的截断表面点流速进行算术平均，得出河流表面的平均流速Vsur；再根据水力学经验公式，所述河流表面的平均流速乘以表面流速系数λ即可得到断面平均流速Vave；(4)根据河流断面资料求得设定水深对应的河流过水断面面积，其与断面平均流速相乘即得出河流流量值。本发明可以快速、便捷、准确地计算出人工及天然河流流量，尤其适用于无人值守的暴雨、高洪水等复杂灾害性环境。

摘要： 本发明实施例公开了一种代表性工况点确定方法、装置、设备及介质。该方法包括：根据预设区域数量，对发动机的原始工况点所在的原始区域进行分割，得到分割区域；根据原始工况点与各分割区域重心点的距离，对原始工况点进行分组；根据发动机基于各组中的原始工况点运行时的能量，确定代表性工况点。本技术方案，通过对原始区域分割，得到预设区域数量的分割区域；根据每个原始工况点和重心点的距离，对所有原始工况点进行了分组，实现了分组数量合适且组内工况点聚集程度高的效果；根据原始工况点能量，确定代表性工况点，使得代表性工况点和原始工况点在能量上具有一致性，相比于现有技术中通过聚类确定出的代表性工况点更具有代表性。

摘要： 本发明公开了一种区域代表性水文关键要素点的快速识别方法，包括以下步骤，步骤a：确定研究区域，并确定水文关键要素及水文关键要素点；步骤b：监测、收集并记录步骤a确定出的每个水文关键要素点基于时间尺度的水文关键要素数据集；步骤c：在步骤b的基础上，对每个水文关键要素点的水文关键要素数据集进行统计分析，确定其水文关键要素在时间及空间的分布特征；步骤d：在步骤c的基础上，对每个水文关键要素点的时间稳定性进行分析，选出在时空具备时间稳定性的水文关键要素点；步骤e：在步骤d的基础上，利用相对差分和标准差确定最佳代表性水文关键要素点。本发明能快速评估水文关键要素。

摘要： 本发明公开一种基于聚类代表点的主动学习标注方法和装置。该方法包括：1)对训练数据中的特征属性进行特征提取，得到特征向量；2)根据用户输入匹配相关训练数据；3)根据聚类代表点算法对匹配的相关训练数据的特征向量进行聚类，并提取聚类后形成的各个簇的代表点；4)计算簇间最短距离，并根据该最短距离对聚类后产生的簇建立最小支撑树，提取最小支撑树的代表点作为待标注数据移交给专家进行标注；5)将用户输入与专家的标注结果形成训练数据对，用训练数据对进行机器学习模型的训练；6)重复步骤2)‑5)以进行迭代训练，直到机器学习模型满足性能要求。本发明可有效地在保持模型精度的情况下减少数据标注量、加快模型训练速度。

摘要： 本发明公开了一种基于代表点优化的Bayes融合评估方法，包括以下步骤：1、构造经典Bayes点估计模型，计算参数(μ、D)的Bayes后验估计值；2、使用聚类算法将先验样本数据分成分n

摘要： 本发明公开了一种融合知识蒸馏及类代表点抽取的类增少样本对象检测方法，该方法为：将图片输入深度神经网络(CNN)提取视觉特征；基于提取的视觉特征，采用对象框提取网络预测对象可能存在的位置并对预测出的对象框进行位置标记，使用池化网络将所有对象框的视觉特征变成同一大小；基于每个候选对象框的视觉特征，使用坐标预测网络预测候选对象的精确位置，同时使用增量分类器预测该候选对象框的精确类别。该发明实现方法简单、灵活，可以显著提升全新类对象的检测性能，并改善历史类对象的检测性能。

摘要： 本发明涉及基于点云数据的目标检测技术，其公开了一种面向代表点自注意力机制的轻量级点云目标检测方法，减少模型参数量，提高模型的训练收敛速率和检测准确率。该方法包括以下步骤：S1、读取点云数据；S2、对点云数据进行FPS采样，获得代表点；S3、对代表点进行多层K近邻特征提取，获得各个代表点的特征向量；S4、根据各个代表点的特征向量进行分类检测，获得该点包含目标的概率。

摘要： 本发明公布了一种基于动态K近邻代表点的密度峰值聚类算法，主要解决了原DPC算法需要手动选取聚类中心点且无法处理复杂结构数据集的缺点。实现过程为：(1)计算样本点的动态K邻域，以更好地反映数据集的空间分布情况；(2)根据新的局部密度计算公式计算样本点的局部密度ρi，计算样本点到其最近高密度点的距离δi；(3)根据样本点的聚类中心指标变化率选取聚类中心；(4)将非聚类中心点按照新的分配策略与对应的聚类中心点归为一类；(5)将剩余点分配给其最近高密度点所属的类。在人工数据集上的实验表明，对比于DPC算法，本发明算法不仅能自动选取聚类中心点，而且能获得正确的聚类结果，并且在处理复杂的数据集上优势较大。

摘要： 本分案申请公开了一种移动医疗的倒排泰森多边形的分布式时空索引的代表点获取方法，属于数据索引领域，用于解决提高现有数据查询方法索引效率的问题，并将索引方法适用于移动医疗领域，技术要点是：确定内部聚类点与相邻点，将内部聚类点的数据聚类，聚类后选出聚类中心进行索引，所需数据为与内部聚类点连接的相邻点，以这个内部聚类点为圆心，包含相邻的聚类中心点建立圆，以这个圆为外接圆的三角形作为Delaunay三角形。

摘要： 本发明公开了一种基于代表点优化的Bayes融合评估方法，包括以下步骤：1、构造经典Bayes点估计模型，计算参数(μ、D)的Bayes后验估计值；2、使用聚类算法将先验样本数据分成分n