DBSCAN算法优化及在村镇管理决策中的应用

作为空间数据挖掘技术中的一种,带有噪声的空间聚类应用算法(DBSCAN算法)是基于密度的聚类算法,其可以从空间数据库中发现任意形状的聚类。本文研究了基于密度的空间聚类算法优化原理及实现过程,分析了原始DBSCAN算法存在的问题,通过避免公共领域对象的重复查询,减少对核心对象邻域查询的计算,优化后算法的时间效率提高了33.73%。将优化后的DBSCAN算法应用于村镇网格化管理,可对网格化管理系统中的数据记录进行有效挖掘,为村镇管理工作提供信息和辅助决策。     

基于激光点云的三维虚拟果园构建方法

针对果园管理数字化程度低、构建方法较为单一等问题,本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping,SLAM-LOAM）算法获取果园点云数据集;然后通过统计滤波算法完成点云数据离群点与噪声点的去除,并结合布料模拟算法（Cloth Simulation Filtering,CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法,实现地面去除与果树聚类分割,进而使用VoxelGrid滤波器降采样;最后利用Unity3D引擎,构建虚拟果园漫游场景,将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系,并通过LineRenderer显示实时轨迹,实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性,在海棠果园与芒果园开展果园构建方法测试。结果表明,所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%;通过与实际芒果园的果树行距、株距对比,虚拟芒果园的平均行间误差约为3.5%,平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比,该方法能够有效复现果园三维实际情况,得到了较好的可视化效果,为果园的数字化建模与管理提供了一种技术方案。     

基于三维激光雷达与优化DBSCAN算法的果树定位方法

为提高果园喷雾机器人在果园行间行走的自主性和安全性,提出一种基于三维激光雷达与优化DBSCAN算法的果树定位方法。首先,采用三维激光雷达获取果园的环境信息,通过感兴趣区域提取、地面点云分割和体素滤波降采样对原始点云数据进行预处理;然后,对DBSCAN算法进行优化,构建KD树索引有序化实时点云数据,并使用KD树最近邻搜索替代传统DBSCAN算法的遍历搜索方式,最后根据数据点到激光雷达的距离自适应确定聚类密度阈值,实现行间不同距离的果树检测;最后,以果树聚类结果的冠层边缘点为果树的定位参考点,得到果树定位参考点的坐标,计算果园喷雾机器人与果树的相对位置。试验结果表明：优化的DBSCAN算法相较于传统DBSCAN算法检测的准确性和实时性均有明显提升,果树的横向定位平均误差为2.6%,纵向定位平均误差为1.6%。该方法能够满足果园喷雾机器人在行间果树定位的准确性和实时性要求,为精准农业装备在林果园环境下的自主导航和作业提供有效参考。     

基于DBSCAN和BP_Adaboost的农机作业地块划分方法

农业机械(农机)在多个地块作业,费用和效率有时需按地块统计,现有的农机监控系统仅能记录农机定位信息和作业状态信息,难以实现地块的自动精准划分。本文通过研究轨迹点属性特征,分析作业地块数量不确定性和轨迹点分布规律,采用基于密度聚类方法(Density-based spatial clustering of applications with noise, DBSCAN)和分类器集成算法(BP＿Adaboost)结合的方法划分地块。根据DBSCAN算法对农机轨迹点多数有效、识别错误集中的特点,结合BP＿Adaboost算法挖掘多维度信息关联、容错能力强、分类效果好等优势,先利用DBSCAN得到初步的轨迹点状态类别,再利用BP＿Adaboost算法建立训练模型对农机轨迹点状态精准识别,根据时间序列和类别标记划分地块。本文方法既解决了只依靠阈值和经纬度信息聚类不准确的问题,也减少了大量样本标记工作。利用该方法轨迹点状态识别准确率达96.75%,地块划分准确率为97.74%。     

基于RFR和VMD-TCN的抽水蓄能机组劣化趋势预测方法

抽水蓄能机组具有结构复杂、工况复杂多变、故障复杂多样等特点。利用实时监测数据有效评价抽水蓄能机组的劣化状态并对劣化趋势进行准确地预测仍是一个难题。为此，提出一种基于随机森林回归（RFR）、变分模态分解（VMD）和时间卷积网络（TCN）的抽水蓄能机组劣化趋势预测方法。首先，基于健康状态下的历史监测数据，选择与状态监测数据关联性强的工况参数数据作为健康状态模型的输入，建立基于RFR的健康状态模型；其次，输入实时工况参数数据，根据健康模型输出的标准值与实时状态监测数据计算得到劣化趋势序列；最后，考虑到劣化趋势序列的非线性因数，设计了基于VMD-TCN的时序预测模型，以实现对劣化趋势的精确预测。为验证所提方法的有效性，采集位于中国浙江的抽水蓄能电站真实监测数据进行多组对比实验。结果显示，所提出的方法在建立健康模型时拟合精度达到了0.98，并且在劣化趋势预测任务中，基于VMD-TCN的时序预测模型相比于其他比较模型具有更高的预测精度。     

基于优化DBSCAN算法的玉米种子纯度识别

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%。     

面向立木识别的有效K 均值聚类算法研究

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的K-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在K-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行K-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的K-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。     

基于DBSCAN的农机作业轨迹聚类研究

农业机械在田间作业过程中,时间和空间维度上产生大量的作业数据,对农业机械作业轨迹数据进行聚类分析在农机作业状态分析和效率研究中具有重要意义。为此,应用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对模拟农业机械作业轨迹进行分析,设计了基于密度聚类的农机作业状态分类算法。对模拟数据的聚类结果表明:该方法正确分类农机作业班次内的有效作业轨迹、空行转移轨迹和停歇轨迹的精度达到98.33%、70%和100%。聚类作业轨迹反映的农机利用率为95.35%,为农机田间作业轨迹研究提供了依据。     

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。     

大数据处理技术在土壤肥力评价中的研究

采用K-means算法对土壤肥力数据进行聚类分析,然后针对传统K-means聚类算法在处理大数据量时时间复杂度高的难题,提出基于大数据处理技术的K-means算法。实验结果表明:(1)用K-means算法对2013年农安县13个乡镇的土壤养分数据的聚类结果显示,当k值设为3时聚类效果最优,且与实际情况相符。(2)基于Hadoop平台的MapReduce分布式下实现的K-means算法与传统的串行算法相比,提高运行速度并完成大数据量下的计算任务。     

基于改进不变矩与概率神经网络的水电机组轴心轨迹特征提取研究

在水电机组状态监测与故障诊断中,轴心轨迹是反映机组运行状态的重要特征。提出了将图形改进不变矩算法与概率神经网络相结合的方法,运用改进不变矩算法对水电机组几种不同运行状态下的转子轴心轨迹进行特征提取,得到相应的特征矩向量,构建概率神经网络进行训练分类,并结合电站实测数据进行了验证。结果表明,该特征提取与分类方法简单稳定,对不同形状的轴心轨迹具有较高的区分度和较好的识别率,可以为水电机组故障诊断提供有效依据。     

基于激光雷达的农业机器人果园树干检测算法

针对丘陵山区果园中的斜坡及杂草影响果树检测精度的问题，提出了一种基于激光雷达的树干检测算法。首先，利用单线激光雷达获取环境信息，通过数据预处理滤除噪声点及无法利用的数据点，以树干为目标设定聚类半径，根据数据点到激光雷达的距离自适应设定聚类阈值，完成初步聚类；然后，利用初步聚类结果及地面类内数据点量大、且大致呈一条直线的特征，将数据点超过一定数量的类进行二次曲线拟合，将拟合半径大于一定阈值的类视为地面干扰，并将其剔除；最后，利用杂草枝叶类中数据点之间距离不连续的特征，将存在一定数量的相邻数据点距离较大的类视为杂草枝叶类，并将其剔除，从而完成对果园中果树树干的检测。结果表明：在无干扰情况下，对树干的误检率为0.76%、漏检率为1.90%，平均正确率为97.3%；在只存在地面干扰的情况下，树干检测平均正确率为96.1%；在只存在杂草干扰的情况下，树干检测平均正确率为91.4%；在同时存在地面和杂草干扰的情况下，树干检测平均正确率为91.9%，综合以上各种情况的树干检测平均正确率为95.5%，该方法可用于丘陵山区树干较明显的乔化果园中的树干检测，为精准农业装备在丘陵山区果园中的导航应用提供参考。     

基于改进RBF神经网络的泵站机组故障诊断

泵站机组故障诊断是指在一定的工作环境下查明泵站机组系统某种功能失调的原因或性质,判断劣化状态的部位或部件,以及预测状态劣化的发展趋势等。本文利用改进的RBF神经网络,对经过不变矩处理的轴心轨迹特征参数进行了故障模式的自动识别,针对RBF神经网络隐层节点难以选择的的难题,提出了一种新的聚类算法——改进RBF混合聚类算法。该算法,可自动确定最优的聚类区数,同时可使最终的聚类中心合理地分布在数据空间中。仿真结果验证了该方法的可行性。     

基于多条件时间序列的免耕播种机作业数据清洗方法

为提高作业监测数据状态预测精度,并保证无效数据的实时清洗,提高数据质量并降低监测设备的缓存压力,从而降低对后续地块作业质量评价准确性的影响,减轻数据并发带来的网络压力,本文针对免耕播种机长时序的田间周期性作业规律,提出基于多条件时间序列分析的监测数据清洗方法及模型,该模型包含3个长短时记忆特征提取模块,分别提取了工况参...     

基于PCA-GA-BP神经网络的水电机组状态异常辨别方法

为提高机组异常运行识别效率与精度,提出基于主成分分析法和遗传算法优化反向传播神经网络(BP neural network)的机组异常状态检测模型.以机组实时记录传感器数据为样本,利用主成分分析法对多维数据进行降维操作,处理后得到综合变量.随后在此基础上搭建BP神经网络并利用遗传算法优化神经网络随机初始权值与阈值,完成对机组不同运行状态检测模型仿真训练.最后以某电站连续时间段内机组正常与异常运行状态下各部件传感器实时监测数据为样本分析,并将所提PCA-GA-BP算法与其他优化算法、传统算法进行对比,通过不同样本比例下的仿真训练试验验证该方法可行性.仿真试验结果表明:模型相较于传统BP神经网络,平均状态检测时间相对缩短84%,平均检测正确率相对提高2.5%,能在均正确率接近99%的基础上实现0.7~1.0 s内对机组异常运行的有效辨别,做到机组异常运行的精确辨别与早期预警.     

基于空间聚类的农田土地平整区域规划方法研究

针对当前农田土地平整作业过程中,常会出现铲车过载或空载造成平地效率低下的问题,提出一种基于空间聚类的农田土地平整区域规划方法。首先,获取农田地势高程数据,通过克立格插值法遍历到空间各个位置;然后,通过改进后的K-均值聚类算法与密度聚类算法,对农田高程数据进行区域标记,去除区域中的离散点和误差点,初步完成区域划分;再结合农田平整时挖填土方量体积和农田面积适中等原则,对区域大小及形状进行修整,完成农田土地平整区域规划。田间试验分析表明,采用所提出的区域规划方法规划后,农田平整过程中铲车过载和空载现象明显减少,有效作业时间提高5%以上,工作效率提升显著;平整后各划分区域地势平整情况得到明显提高,平整度小于6 cm。     

基于双层自适应密度聚类算法的分行业日负荷特性

利用营配大数据所提供的大量数据计算电力用户的日负荷特性参数,运用密度聚类(DBSCAN)方式分析行业的日负荷特性。提出了以波动率、最大负荷发生时刻和最小负荷发生时刻三项指标为特性指标的降维方法。利用高斯核密度估计优化处理密度聚类算法,提出日负荷特性规律算法效果评价体系。针对评分结果确定是否需要二次聚类,最终给出电力行业典型日负荷特性曲线。以浙江沿海某城市近4万用户进行算法验证,结果表明该算法提高了聚类质量及效率,其行业负荷特性结果对电力需求侧预测、配电网规划等具有较大的指导意义。     

基于改进型FCM算法的牛肉大理石花纹提取方法

提出了一种基于改进型模糊C均值聚类算法的牛肉大理石花纹提取方法。该方法结合了快速模糊C均值（FCM）聚类算法,对传统FCM算法中的隶属函数、聚类数C和初始聚类中心点选取方法进行了优化。试验表明,该方法使牛肉大理石花纹提取的准确度由     

基于时序贴近度与改进SVM的水机轴心轨迹诊断

为了提高水轮机组诊断的精确性,提出应用时间序列模糊贴近度特征提取轴心轨迹特征参数,通过改进SVM模型并引入故障分类准确性判定因子对参数化的水电机组轴心轨迹开展了智能诊断.应用改进SVM对时间序列特征引入正确率、错误分类率计算方法,从而对诊断后轴心轨迹分类准确性进行判定,由此促进运行状态设备智能诊断,提高故障诊断系统的自动诊断水平及准确率;引入多类分类支持向量机算法、分类准确度判断解决异常状态下机组轴心轨迹特征参数无法识别、识别率低的问题.通过对改进扩展时序距离时间序列贴近度度量算法的应用解决了水电机组实时轴心轨迹特征参数准确性差和实时性差的问题.该方法提高了检测精度,同时增强了人机交互性,具有重要的理论意义和实用价值.     

弱光束条件下森林区域光子云去噪算法精度研究

先进地形激光高度计系统（ATLAS）可为全球森林冠层高度测量提供科学数据，利用ATLAS光子云数据可获取森林冠层高度信息。为探究光子云去噪算法在弱光束条件下森林研究区的去噪效果，采用局部距离统计算法、基于密度的聚类(Density based spatial clustering of applications with noise, DBSCAN)算法和基于粒子群优化(Particle swarm optimization, PSO)模型的PSO-DBSCAN算法在弱光束条件下的森林区域进行了光子云去噪试验，研究了算法的去噪精度，并分析研究区不同特性对于去噪效果的影响。结果表明： PSO-DBSCAN算法在弱光束条件下森林区域去噪精度达到了0.95，满足光子云去噪的精度要求，该算法相对局部距离统计算法和DBSCAN算法表现出更好的去噪效果；相对地形坡度和植被覆盖度，太阳高度角会对算法的去噪结果产生更大的影响。