导读:本文包含了密度网格论文开题报告文献综述及选题提纲参考文献，主要关键词:雷达信号处理,聚类分析,实时系统,分选
密度网格论文文献综述
顾军华,田喆,苏鸣,张亚娟[1]（2019）在《基于网格密度峰值聚类的实时雷达分选系统》一文中研究指出雷达分选是雷达信号处理中的重要环节。为了解决从复杂电磁环境中准确分选出各个雷达信号的难题,提出一种新的基于网格密度峰值的数据流聚类算法,并将其应用于对雷达信号脉冲描述的实时聚类,从而进行雷达分选。该算法采用双重网格划分方式,解决传统基于网格的聚类算法中边界丢失的问题,并采用基于改进密度峰值的网格合并方式进行聚类避免将距离较近的类合并。仿真实验结果表明,该算法可以用于实时雷达分选,很好地处理了重迭严重的雷达信号,有较高的准确度和抗干扰能力。(本文来源于《计算机应用与软件》期刊2019年10期）
成科扬,周博文,李世超,孙爽[2]（2019）在《结合网格密度聚类的行人检测候选域生成》一文中研究指出目的行人检测是计算机视觉领域中的重点研究问题。经典的可变形部件模型(DPM)算法在行人检测领域素有高检测精度的优点,但由于在构建特征金字塔前处理过多召回率低的候选区域,导致计算速度偏慢,严重影响系统的实时性。针对该问题,本文对模型中选取候选检测区域的流程进行了改进,提出一种结合网格密度聚类算法和选择性搜索算法的行人检测候选对象生成方法来改进DPM模型。方法首先使用叁帧差法和高斯混合模型收集固定数量的运动物体坐标点,然后结合基于网格密度的聚类算法构建网格坐标模型,生成目标频繁运动区域,同时进行动态掩层处理。随后引入改进的选择性搜索算法,结合支持向量机(SVM)训练得到的行人轮廓宽高比,提取该区域中高置信度的行人候选检测窗口,从而排除大量冗余的区域假设,完成对候选行人检测区域的精筛选,最后融合至DPM算法进行行人检测。结果所提方法在PETS 2009 Bench-mark数据集上进行检测,实验结果表明,该方法对复杂背景下的检测有较强的稳定性,与传统DPM模型相比,精度提高了1. 71%、平均对数漏检率降低2. 2%、检测速度提高为3. 7倍左右。结论本文提出一种基于网格密度聚类的行人检测候选域生成算法,能够有效表达行人信息,与其他行人检测算法相比,有更好的精度和更快的速度,在检测率、检测时间方面均有提高,能够实现有效、快速的行人检测,具有实际意义。(本文来源于《中国图象图形学报》期刊2019年09期）
江平平,曾庆鹏[3]（2019）在《一种基于网格划分的密度峰值聚类改进算法》一文中研究指出针对密度峰值聚类(Density Peak Clustering, DPC)算法具有时空复杂度高而降低了对大规模数据集聚类的有效性,以及依靠决策图人工选取聚类中心等缺点,提出基于网格的密度峰值聚类(G-DPC)算法。采用基于网格的方式进行网格划分,用网格代表点替换网格单元整体;对各代表点聚类,通过改进的自适应方法选出核心网格代表点作为聚类中心;将剩余点归类,剔除噪声点。仿真实验验证了该算法对大规模数据集和高维数据集聚类的有效性。(本文来源于《计算机应用与软件》期刊2019年08期）
李晓光,邵超[4]（2019）在《基于网格数据中心的密度峰值聚类算法》一文中研究指出通过对数据集进行网格划分来降低聚类过程中的计算复杂度,提出了一种基于网格数据中心的密度峰值聚类算法。首先将数据集进行网格化,形成若干网格对象,以落在网格内的数据点个数与通过衰减后的相邻网格内数据点个数之和作为该网格对象的局部密度值,以该网格数据中心到更高密度网格数据中心的最近距离作为该网格对象的相对距离值;然后根据簇心网格对象同时具备更高的局部密度和较大的相对距离的特征,确定簇心网格对象;最后通过密度划分的方法完成数据聚类。在UCI人工数据集上的仿真实验表明,该算法能够在较短的时间内有效地处理大规模数据,聚类准确率较高。(本文来源于《计算机科学》期刊2019年S1期）
江平平[5]（2019）在《改进的网格密度峰值聚类算法在入侵检测中的应用》一文中研究指出密度峰值聚类算法(Density Peaks of Cluster,DPC)输入参数少、可识别任意簇,但随着数据量及数据形式多样化,缺陷也显现出来:DPC算法需手动选取聚类中心,若选取不准确,聚类效果不佳;面对大规模数据集时,DPC算法需耗费大量时间和空间计算距离矩阵;DPC算法存在将某个簇误划分成多个密度峰值簇的情况。针对以上问题,本文提出了一种基于网格划分的密度峰值聚类改进算法,简称G-DPC算法,该算法是网格聚类算法和DPC算法的结合算法。该算法以网格为单位,自适应选取核心网格代表点作为聚类中心;对满足合并条件的簇进行合并、筛选出噪声点以精确聚类;在处理大规模数据集上,该算法可发挥网格聚类算法的优势,避免内存溢出的问题。之后分别在低维标准数据集和高维数据集上进行测试,以验证G-DPC算法的聚类效果。最后将G-DPC算法应用至入侵检测中,由KDD CUP99数据集进行测试,实验结果验证了G-DPC算法的总体性能相较于DPC算法有提高。本文主要的研究成果如下:(1)提出了G-DPC算法。该算法由网格划分、数据聚类、自适应选取聚类中心、簇合并及噪声点处理五部分构成,具有输入参数少,能识别任意簇的特点,同时可高效处理大规模数据集。(2)给出了一种自动选取核心网格代表点的方法。通过自适应中心选取公式,在符合聚类中心的两个条件下,实现自动选择聚类中心,解决手动选择聚类中心时误差过大的问题。(3)定义了新的噪声点准则。在潜在噪声点集合中筛选出噪声点,对噪声点的选取更细化。(4)采用了合并簇的思想,对符合条件的簇进行合并,可避免某个类中存在多个密度峰的情况。(本文来源于《南昌大学》期刊2019-05-26）
俞玉富,黄美华,赵斌[6]（2019）在《网状PEIE基聚合物的网格密度对其电子传输性能的影响》一文中研究指出近年来,聚合物太阳能电池(PSCs)发展迅速,单结聚合物太阳能电池的转换效率已经接近16%~([1])。研究表明,界面层能够提高活性层与电极间的相容性,降低界面势垒,抑制电荷复合,提高电荷运输以及提高器件的稳定性,因此界面层对于聚合物阳能电池效率的提升起着至关重要的作用~([2])。聚乙氧基乙烯亚胺(PEIE)是一种阴极界面修饰材料~([3-4]),为了提高PEIE的界面层的电导率,我们将PEIE与1,6-二溴己烷(DBH)反应,形成一种名为PEIE-DBH的交联聚合物(图1(a)),并用作反式PSCs的阴极修饰层。聚合物中的溴化季铵盐结构可明显提高了聚合物的导电性和电子迁移率。为了研究网状聚合物的交联链的键接长度对聚合物的导电性和电子迁移率的影响规律,我们另外选取了1,4-二溴丁烷(DBB)和1,8-二溴辛烷(DBO)作为交联剂分别与PEIE反应制备交联聚合物,并用作阴极修饰层。从图1(b)可看出,以PEIE-DBH作为阴极修饰层制备的聚合物太阳能电池的光电转换效率为9.72%,高于相同条件下以PEIE-DBB或PEIE-DBO作为阴极修饰层制备的聚合物太阳能电池,这可能是因为适当的交联单元链长使得PEIE-DBH具有更高导电率和电子迁移率,故其PSC表现出更高的短路电流密度、填充因子和光电转换效率。(本文来源于《第六届新型太阳能电池材料科学与技术学术研讨会论文集》期刊2019-05-25）
李晓光[7]（2019）在《网格密度峰值聚类算法研究》一文中研究指出现如今,信息时代的快速发展使得数据在社会各领域中价值越来越重要,随之而来的数据分析、数据挖掘以及数据应用也在各领域中占有较大的比重。聚类作为数据挖掘中一种重要的研究方法,在社会网络、文本分析、推荐系统和交易欺诈侦测等领域被广泛运用。密度峰值聚类算法(density peaks clustering,DPC)是Alex Rodriguez等人在2014年提出的一种新的聚类算法。该算法能够发现任意形状簇并找到正确数量簇的个数,在图像识别和生物信息等领域得到广泛应用。随着对该算法的深入研究,发现其在数据量较大的数据集上运行时间有所增长,对应的内存消耗也随之增大。对于以上问题,本文提出了基于网格数据中心的密度峰值聚类算法。通过在输入数据集上使用网格划分的方法,将划分后的网格对象在DPC算法的基础上进行聚类。该算法在运行时间方面有了明显的减小,同时利用网格对象进行聚类,也相应的减少了计算时的内存消耗。针对复杂的流形数据集,谱聚类是最合适的聚类算法。然而,谱聚类算法需要人为设置簇类个数,以及在对大规模数据集进行聚类时存在效率不高等问题。对于以上问题,本文提出了基于网格密度峰值优化的谱聚类算法。该算法结合网格划分的思想,运用测地距离计算网格对象的相似性;将划分后的网格对象在DPC算法的基础上确定初始簇类中心和簇类个数;将簇类中心和簇类个数作为谱聚类算法的初始参数,完成网格对象和所有数据点的聚类。该算法一方面优化了谱聚类算法无法自适应确定簇类个数的缺点;另一方面减少了在构造特征空间时的时间和内存消耗。通过在多个真实数据集进行实验对比,算法具有良好的有效性和准确性。(本文来源于《河南财经政法大学》期刊2019-05-01）
王磊[8]（2019）在《基于网格点密度估计的聚类算法研究》一文中研究指出机器学习算法的研究是人工智能领域中的一个重要分支,它涉及到众多学科的交叉融合。机器学习算法的研究对象是怎样模拟人类的行为以学习新的知识从而更新知识结构、改善自身的性能。机器学习领域的研究在近些年来已经取得了很大的进展,各种各样的机器学习算法也被提了出来。机器学习算法通常情况下可以被分为叁大类:有监督学习算法、无监督学习算法和半监督学习算法。聚类分析算法是其中最具有代表性的一种无监督机器学习算法。该类算法依据数据点的某种属性将数据集中相似的数据点划分到同一个类簇中而把非相似的数据点划分到不同的类簇。尽管各种各样的聚类算法已经被提出,但是大多数传统的聚类方法只能适用于球形类簇的聚类并且算法的聚类结果可能会受到参数设置和初始化的影响。此外,当数据集中数据点数量和数据维度的规模变得非常大时,聚类算法的效率将受到时间复杂性和空间复杂性的限制。因此,本论文中提出了一种快速稳定基于网格的能够识别任意形状类簇的聚类方法,该算法还能够稳定地应对大数据集的聚类。改进的方法中,首先该方法运用给定的公式自动化确定网格的划分区间数目,然后算法计算划分网格中网格节点处的密度值而非传统方法中的网格密度。最后,算法依据网格节点的密度值采用经典的广度优先搜索算法进行聚类操作。在多个人工数据集和真实数据集上的实验结果表明,该方法比传统的聚类方法更加有效。此外,聚类算法结果的评价通常需要计算聚类评价指标的值,传统的点对比较方法对于大数据集的评价指标计算效率比较低。本论文中给出了利用混淆矩阵计算聚类结果评价指标的方法,实验结果表明该方法能够明显地提高获取评价指标值的效率。(本文来源于《兰州大学》期刊2019-05-01）
刘传波,宋宗林[9]（2019）在《网格密度对计算流体力学仿真效率的影响研究》一文中研究指出以汽车外流场仿真作为研究对象,对网格划分问题进行试验分析。首先设置10组试验方案并与初始模型进行计算速度、精度的比较;并对网格划分密度与仿真计算速度和精度进行相关性分析,并求解线性回归拟合方程;最后,结合仿真分析的压力云图与速度云图,进一步分析网格密度与仿真结果之间的关系,并提出了网格密度最优化设计方案,可极大地节省计算机资源,提高仿真效率。(本文来源于《数字制造科学》期刊2019年01期）
彭聪,王杰贵,朱克凡[10]（2019）在《基于动态网格密度的SNN聚类的ET-GM-PHD滤波算法》一文中研究指出针对不同扩展目标产生的量测密度差异较大时,多扩展目标高斯混合概率假设密度(ET-GM-PHD)量测集划分困难,计算量繁重的问题,提出了一种基于动态网格密度的SNN相似度的量测划分算法。首先利用动态网格技术对量测数据进行预处理,减小量测中的杂波干扰;而后采用共享最近邻(SNN)相似度对处理后的观测值进行量测划分。经过仿真结果分析,文中提出的算法相较于传统算法,减少了运行时间,提升了跟踪的稳定性。(本文来源于《弹箭与制导学报》期刊2019年02期）
密度网格论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的行人检测是计算机视觉领域中的重点研究问题。经典的可变形部件模型(DPM)算法在行人检测领域素有高检测精度的优点,但由于在构建特征金字塔前处理过多召回率低的候选区域,导致计算速度偏慢,严重影响系统的实时性。针对该问题,本文对模型中选取候选检测区域的流程进行了改进,提出一种结合网格密度聚类算法和选择性搜索算法的行人检测候选对象生成方法来改进DPM模型。方法首先使用叁帧差法和高斯混合模型收集固定数量的运动物体坐标点,然后结合基于网格密度的聚类算法构建网格坐标模型,生成目标频繁运动区域,同时进行动态掩层处理。随后引入改进的选择性搜索算法,结合支持向量机(SVM)训练得到的行人轮廓宽高比,提取该区域中高置信度的行人候选检测窗口,从而排除大量冗余的区域假设,完成对候选行人检测区域的精筛选,最后融合至DPM算法进行行人检测。结果所提方法在PETS 2009 Bench-mark数据集上进行检测,实验结果表明,该方法对复杂背景下的检测有较强的稳定性,与传统DPM模型相比,精度提高了1. 71%、平均对数漏检率降低2. 2%、检测速度提高为3. 7倍左右。结论本文提出一种基于网格密度聚类的行人检测候选域生成算法,能够有效表达行人信息,与其他行人检测算法相比,有更好的精度和更快的速度,在检测率、检测时间方面均有提高,能够实现有效、快速的行人检测,具有实际意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
密度网格论文参考文献
[1].顾军华,田喆,苏鸣,张亚娟.基于网格密度峰值聚类的实时雷达分选系统[J].计算机应用与软件.2019
[2].成科扬,周博文,李世超,孙爽.结合网格密度聚类的行人检测候选域生成[J].中国图象图形学报.2019
[3].江平平,曾庆鹏.一种基于网格划分的密度峰值聚类改进算法[J].计算机应用与软件.2019
[4].李晓光,邵超.基于网格数据中心的密度峰值聚类算法[J].计算机科学.2019
[5].江平平.改进的网格密度峰值聚类算法在入侵检测中的应用[D].南昌大学.2019
[6].俞玉富,黄美华,赵斌.网状PEIE基聚合物的网格密度对其电子传输性能的影响[C].第六届新型太阳能电池材料科学与技术学术研讨会论文集.2019
[7].李晓光.网格密度峰值聚类算法研究[D].河南财经政法大学.2019
[8].王磊.基于网格点密度估计的聚类算法研究[D].兰州大学.2019
[9].刘传波,宋宗林.网格密度对计算流体力学仿真效率的影响研究[J].数字制造科学.2019
[10].彭聪,王杰贵,朱克凡.基于动态网格密度的SNN聚类的ET-GM-PHD滤波算法[J].弹箭与制导学报.2019