基于均值漂移聚类的扩展目标量测集划分算法

在噪声环境下,存在扩展目标数未知且变化的多扩展目标跟踪量测集难以划分、计算代价高的问题。为此,提出一种基于均值漂移聚类的量测集划分算法。通过迭代更新中心点,使其收敛于局部最优,并引入极大似然估计技术估计每个划分子集中的目标数,对于目标数大于1的子集采用模糊C均值聚类算法进行二次划分,使得划分的量测子集与各个扩展目标一一对应。实验结果表明,该算法在多扩展目标量测集划分性能上明显优于传统的距离划分和K-means++划分算法,尤其是在保持跟踪精度的前提下量测集划分数和计算代价明显降低,且能较好地划分紧邻扩展目标的量测集。     

基于SNN-AP聚类的扩展目标量测集划分方法

针对杂波环境下且量测密度差别较大的多扩展目标量测集划分问题,引入近邻传播聚类技术,提出了一种新的量测集划分算法。该算法首先采用局部异常因子检测对量测为杂波的程度进行度量,通过设定阈值的方法进行杂波滤除,同时对于目标量测密度差别较大的问题,引入一种基于共享最近邻的相似度度量方法,考虑了周围量测的影响,接着通过迭代传递两个信息量逐步寻找聚类中心,避免了对初始聚类个数的选择。仿真实验表明,与传统量测集划分算法相比,本文所提算法在保证扩展目标跟踪性能的同时,有效减少了算法的运算时间。     

面向扩展目标跟踪的网格聚类量测划分方法

针对扩展目标跟踪中量测集划分困难及目标数目估计不准的问题,提出了一种面向扩展目标跟踪的网格聚类量测集划分方法。首先,由目标之间的时空关联性,将当前时刻的量测划分为存活目标量测与新生目标量测。然后,针对高斯混合概率假设密度滤波器与扩展目标高斯混合概率假设密度滤波器,分别推导出改进的模糊C均值算法与改进的网格聚类算法用于划分存活目标量测集与新生目标量测集。仿真结果表明本文方法可实现量测集的准确划分,有效完成扩展目标跟踪,避免了漏检与过检。     

基于改进K-means++聚类的多扩展目标跟踪算法

针对多扩展目标跟踪过程中量测集划分准确度低和计算量大的问题,提出一种基于改进K-means++聚类划分的高斯混合假设密度强度多扩展目标跟踪算法。首先,根据下一时刻目标可能变化的情况缩小K值的遍历范围;其次,利用目标预测状态选择初始聚类中心点,为正确划分量测集提供依据,从而提高聚类算法的精度;最后,将所提改进K-means++聚类划分方法应用到高斯混合概率假设滤波器中,联合估计多目标的个数和状态。仿真实验结果表明：与基于距离划分和基于K-means++的多扩展目标跟踪算法相比,该算法在平均跟踪时间上分别减小了59.16%和53.25%,同时其最优子模式指派度量（OSPA）远小于以上两种算法。综上,该算法能在大幅度降低计算复杂度的同时取得比现有量测集划分方法更为优异的跟踪性能。     

基于时空关联—网格聚类的多扩展目标跟踪算法

针对多扩展目标的跟踪问题,提出了基于时空关联—网格聚类的多扩展目标跟踪算法。根据时空相关性,将当前量测分为存活目标量测和新生目标量测。对存活目标,利用模糊C均值(FCM)算法进行量测划分,由高斯混合—概率假设密度(GM-PHD)滤波器得到存活目标轨迹。对新生目标,用网格聚类完成量测集划分,由扩展目标—高斯混合—概率假设密度(ET-GM-PHD)滤波器得到新生目标的轨迹。仿真结果表明:所提算法能够对多扩展目标进行准确跟踪,特别是在目标交叉时刻,估计目标数目更准确,算法实时性更好。     

基于CFSFDP的箱粒子CPHD扩展目标跟踪

针对当前扩展目标跟踪量测划分方法中,距离划分存在划分数过多、计算复杂度高的问题,本文将密度峰值快速聚类算法CFSFDP (Clustering by Fast Search and Find of Density Peaks)与箱粒子势概率假设滤波器(Box Cardinalized Probability Hypothesis Density filter,Box-CPHD)相结合,提出基于CFSFDP的箱粒子CPHD扩展目标滤波算法.该算法采用CFSFDP进行量测划分,基于量测信息密度的不同可以有效划分区间量测,并剔除杂波量测,然后采用箱粒子CPHD进行预测更新和目标状态估计.仿真实验表明与经典的距离划分方法相比,在箱粒子CPHD扩展目标算法流程中采用CFSFDP进行量测预处理,CFSFDP在达到同等效果的前提下,运行时间明显减少;在剔除杂波之后的高杂波环境下,杂波的变化只影响距离划分的运算时间而不再影响CFSFDP划分,采用CFSFDP处理量测信息可以有效提高运行效率和算法实时性,剔除杂波之后在一定程度上提高了目标位置估计精度.     

基于层次划分的密度优化聚类算法

针对传统的聚类算法对数据集反复聚类,且在大型数据集上计算效率欠佳的问题,提出一种基于层次划分的最佳聚类数和初始聚类中心确定算法——基于层次划分密度的聚类优化(CODHD)。该算法基于层次划分,对计算过程进行研究,不需要对数据集进行反复聚类。首先,扫描数据集获得所有聚类特征的统计值;其次,自底向上地生成不同层次的数据划分,计算每个划分数据点的密度,将最大密度点定为中心点,计算中心点距离更高密度点的最小距离,以中心点密度与最小距离乘积之和的平均值为有效性指标,增量地构建一条关于不同层次划分的聚类质量曲线;最后,根据曲线的极值点对应的划分估计最佳聚类数和初始聚类中心。实验结果表明,所提CODHD算法与预处理阶段的聚类优化(COPS)算法相比,聚类准确度提高了30%,聚类算法效率至少提高14.24%。所提算法具有较强的可行性和实用性。     

基于Mean Shift迭代的新生未知多扩展目标跟踪

针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;然后,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式.仿真实验表明,所提出的算法可以降低跟踪复杂度,提高跟踪效率,在交叉时刻具有稳定的跟踪性能。     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

基于观测数据聚类划分的扩展目标跟踪算法

针对高斯混合假设概率密度滤波扩展目标跟踪算法中的观测集合划分问题,本文分析了距离门限划分方法存在的问题,提出了一种利用聚类方法进行观测数据集合划分的方法。该方法利用极大似然方法获得目标数的估计值,以此作为聚类数利用K-means聚类对观测数据集合进行聚类划分,并利用椭球门限对观测数据进行处理以降低杂波观测对聚类划分的影响。实验结果表明,该方法能够获得正确的划分观测集合,计算复杂度较距离门限划分方法有较大降低,同时在多目标跟踪效果方面优于观测数据距离门限划分的假设概率密度滤波扩展目标跟踪算法。     

使用均值距离与关联性标记的并行OPTICS算法

针对大数据环境下传统并行密度聚类算法中存在的数据划分不合理,聚类结果准确度不高,结果受参数影响较大以及并行效率低等问题,提出一种MapReduce下使用均值距离与关联性标记的并行OPTICS算法——POMDRM-MR。算法使用一种基于维度稀疏度的减少边界点划分策略（DS-PRBP）,划分数据集;针对各个分区,提出标记点排序识别簇算法（MOPTICS）,构建数据点与核心点之间的关联性,并标记数据点迭代次数,在距离度量中,使用领域均值距离策略（FMD）,计算数据点的领域均值距离,代替可达距离排序,输出关联性标记序列;最后结合重排序序列提取簇算法（REC）,对输出序列进行二次排序并提取簇,提高算法局部聚类的准确性和稳定性;在合并全局簇时,算法提出边界密度筛选策略（BD-FLC）,计算筛选密度相近局部簇;又基于n叉树的并集型合并与MapReduce模型,提出并行局部簇合并算法（MCNT-MR）,加快局部簇收敛,并行合并局部簇,提升全局簇合并效率。对照实验表明,POMDRM-MR算法聚类效果更佳,且在大规模数据集下算法的并行化性能更好。     

基于特征项权重自动分解的文本聚类

提出一种自动文本聚类方法,应用遗传算法进行全局和快速的文本特征项选择以实现降维处理,引入概率匿名思想,根据文本中不同特征项权重的组合,基于动态规划设计一个优化的多项式时间聚类算法,将文本集划分成适当个数的分区,并对每个分区进行聚类,从而形成初始聚类,采用相同方法对所有初始聚类进行再聚类,形成最终的文本聚类。实验结果表明,该方法既能实现文本特征项的有效选择,又能较好地改善文本聚类效果和性能。     

基于边界点检测的变密度聚类算法

密度聚类算法因具有对噪声鲁棒、能够发现任意形状的类等优点,得到了广泛的应用。然而,在实际应用中,这种算法面临着由于数据集中不同类的密度分布不均,且类与类之间的边界难以区分等导致聚类效果较差的问题。为解决以上问题,提出一种基于边界点检测的变密度聚类算法（VDCBD）。首先,基于给出的相对密度度量方法识别变密度类之间的边界点,以此增强相邻类的可分性;其次,对非边界区域的点进行聚类以找到数据集的核心类结构;接着,依据高密度近邻分配原则将检测到的边界点分配到相应的核心类结构中;最后,基于类结构信息识别数据集中的噪声点。在人造数据集和UCI数据集上与K-means、基于密度的噪声应用空间聚类（DBSCAN）算法、密度峰值聚类算法（DPCA）、有效识别密度主干的聚类（CLUB）算法、边界剥离聚类（BP）算法进行了比较分析。实验结果表明,所提算法可以有效解决类分布密度不均、边界难以区分的问题,并在调整兰德指数（ARI）、标准化互信息（NMI）、F度量（FM）、准确度（ACC）评价指标上优于已有算法;在运行效率分析中,当数据规模较大时,VDCBD运行效率高于DPCA、CLUB和BP算法。     

基于自适应可达距离的密度峰值聚类算法

针对基于快速搜索和发现密度峰值的聚类（CFSFDP）算法中截断距离需要人工选取,以及最近邻分配带来的误差导致的在具有不同密度簇的复杂数据集上的聚类效果不佳的问题,提出了一种基于自适应可达距离的密度峰值聚类（ARD-DPC）算法。该算法利用非参数核密度估计方法计算点的局部密度,根据决策图选取聚类中心,并利用自适应可达距离分配数据点,从而得到最终的聚类结果。在4个合成数据集和6个UCI数据集上进行了仿真实验,将所提算法ARD-DPC与基于快速搜索和发现密度峰值的聚类（CFSFDP）、基于密度的噪声应用空间聚类（DBSCAN）、基于密度自适应距离的密度峰聚类（DADPC）算法进行了比较,实验结果表明,相比其他三种算法,ARD-DPC算法在7个数据集上的标准化互信息（NMI）、兰德指数（RI）和F1-measure取得了最大值,在2个数据集分别取得F1-measure和NMI的最大值,只对模糊度较高、聚类特征不明显的Pima数据集聚类效果不佳;同时,ARD-DPC算法在合成数据集上能准确地识别出聚类数目和具有复杂密度的簇。     

一种新的模糊聚类有效性指标

结合模糊聚类的类内紧致性和类间分离性信息,提出一种新的模糊聚类有效性指标。该指标能够确定由模糊C-均值算法（FCM）所得模糊划分的最优划分和最佳聚类数。在1个人造数据集和4个真实数据集上进行对比实验,结果表明该指标性能的优越性。     

基于GGIW-CPHD的衍生扩展目标跟踪算法

针对杂波环境下伽玛高斯逆威舍特混合势概率假设密度（GGIW-CPHD）滤波器难以有效提取衍生扩展目标的问题，提出采用多假设对衍生目标建模跟踪的方法。算法利用随机矩阵模型对扩展目标的形状和尺寸进行建模，并根据多假设模型对衍生事件进行预测，最后通过GGIW混合实现扩展目标运动状态、扩展状态和量测率的联合估计。实验结果表明，与标准GGIW-CPHD滤波算法相比，在含有衍生事件的情景下所提方法实现更好的目标势估计性能且具有较强的适用性。     

一种增强的基于GCA的入侵检测方法

增强的基于GCA（Gravity-based clustering approach）的入侵检测方法是先对训练集采用GCA进行聚类,然后依据凝聚层次聚类算法的思想,以簇间的差异度和整体相似度作为聚类质量评价标准对GCA聚类产生的簇进行一些合并,合并后能使簇中心更集中,簇内对象更紧密。再根据标记算法标记出哪些簇属于正常簇,哪些属于异常簇,最后用检测算法对测试集数据进行检测。实验表明该方法对未知攻击的检测能力有所增强,特别是能有效降低误报率。