共查询到10条相似文献,搜索用时 15 毫秒
1.
本文在复现CUBE滤波算法的基础上,借鉴其网格节点可吸收水深点选取模型,提出了一种结合不确定度与密度聚类算法的多波束异常值自动滤波算法。本文使用DBSCAN密度聚类算法对水深值加以聚类,使用卡尔曼滤波推估节点水深值,选取具有最小不确定的水深假设作为节点水深值,实现对多波束测深数据异常值的有效清理。实测数据和仿真试验结果表明:CUBE滤波算法不能将连续异常值完全剔除,而本文算法能够较好地去除连续异常值。本文算法流程明晰、参数简单、性能可靠,对数据质量较差的情况下较多异常值也能够进行清理,具有实际的工程应用价值。 相似文献
2.
3.
4.
针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。 相似文献
5.
针对常规的密度峰值聚类算法在确定数据聚类中存在聚类中心的重复性、聚类不稳定、不适用于三维点云分割等问题,提出了中心均匀化聚类群融合算法.该算法对局部密度和距离函数进行归一化处理,较好地解决了这两种函数尺度不一的问题;基于局部密度和距离函数乘积的变化率来确定聚类中心,并对重复或距离很近的聚类中心进行了消除,避免了聚类中心非均匀分布对聚类的影响;利用数据点到聚类中心距离逐个确定每个数据的聚类归属,依据邻近聚类数据群之间的距离来判断邻近聚类之间的融合,实现对点云数据的有效分割.基于二维离散数据聚类及不同分辨率点云数据分割的实验结果表明:所提算法不仅适用于二维离散数据的聚类,也适用于三维点云数据的分割,且分割精度和稳定度要优于常规的CFDP、K-means、DBSCAN、DPC聚类算法和深度学习方法. 相似文献
6.
实时获取智能移动终端的地理位置信息是增强现实(AR)实景智能导航系统实现的关键,为了提高智能终端GPS定位的精度,提出了一种基于卡尔曼滤波与改进的具有噪声的基于密度的聚类方法(DBSCAN)结合的GPS组合定位优化方法. 通过对GPS系统采集到的位置坐标数据进行卡尔曼滤波,去除较大的数据波动,控制定位误差范围,采用DBSCAN聚类算法进行分类去噪和二次聚类,对类中数据求得算术均值和类间数据总数进行加权求重心,确定位置坐标. 实验结果表明,提出的算法能有效提高GPS单点定位精度,减少定位误差,同时很好地满足了AR实景智能导航系统实时性和鲁棒性的要求. 相似文献
7.
8.
罗万波 《测绘与空间地理信息》2021,44(12):144-149
通过一系列LiDAR点云可视化分析,实现以并行方式从离散LiDAR点云检测并提取水面区域,并运用了细粒度数据的交互式可视化、全局聚类算法和统计分析.首先栅格化点云,然后基于密度聚类算法(DBSCAN)获取水面特征聚类,基于聚类的要素,创建了用于进一步定量评估的矢量面,最终基于R免费软件的聚类分析和并行处理实现统计分析和可视化. 相似文献
9.
现有的路况检测方法以整条路段为单位进行检测,存在精度不高的问题,且DBSCAN算法用于出租车GPS数据聚类仍存在脱离线性参照系统、假噪声和簇内速度差异大等问题。在线性参照系统中定位GPS点,以两点间的测量值距离作为空间距离,同时增加速度距离约束,提出一种基于DBSCAN算法的多维密度聚类算法,使其适用于精细化路况检测;在此基础上构建路况事件表,并利用动态分段技术对路况事件进行管理和可视化,满足实际应用中对路况检测精度的要求。以上海市出租车GPS数据和路网数据为例进行实验分析,结果表明,提出的方法能够实现较为精细的路况检测。 相似文献