导读:本文包含了多密度论文开题报告文献综述及选题提纲参考文献，主要关键词:聚类,密度峰值,CFSFDP,归一化
多密度论文文献综述
孙绵,侯再恩,韩肖赟[1]（2019）在《基于多密度峰值的CFSFDP算法改进》一文中研究指出CFSFDP(Clustering by Fast Search and Find of Density Peaks)算法在单个簇中存在多个密度峰值时,使用决策图难以确定聚类中心数量,导致聚类效果不佳的情况。对此提出将所有密度大于当前位置的数据点以及与当前位置的最小距离各归为一个集合,并对高斯核求得的局部密度排序。当存在多个密度峰值时,只选择第一个点作为聚类中心,同时利用归一化的γ值分布图确定聚类中心数。人工数据集和UCI数据集的数值模拟实验表明,改进CFSFDP算法在调整兰德系数、同质性、完整性、V-measure和标准互信息评分等各指标值均优于CFSFDP算法、DBSCAN算法和k-means算法。该算法弥补了CFSFDP算法对多密度峰值不能很好聚类的缺陷,适用于对较低维度的任意形数据集的聚类。(本文来源于《计算机应用与软件》期刊2019年08期）
牛少章,欧毓毅,凌捷,顾国生[2]（2019）在《利用区域划分的多密度快速聚类算法》一文中研究指出针对基于网格的聚类算法存在簇边缘网格中包含噪声点、利用网格相对密度差进行网格合并时不能区分密度均匀变化的网格等问题。提出一种利用区域划分的多密度快速聚类算法MFCBR。算法把数据空间划分成密度不同的网格,利用网格索引表和网格中心密度差合并网格形成簇,然后分别计算每个簇的边界网格质心、边界网格和最近簇网格中心位置,利用叁者之间的关系来排除簇边界网格数据中包含的噪声点。实验表明,该算法在降低噪声数据对聚类干扰的同时,且对密度均匀变化的多密度数据集也有较优的处理效果。(本文来源于《计算机工程与应用》期刊2019年18期）
韩诗培,谢君科,曾涛,柳忠彬,王欢[3]（2018）在《基于CPFD多密度矿物颗粒选择性分离行为研究》一文中研究指出基于Barracuda仿真计算平台计算颗粒流体力学(CPFD)方法,建立多密度矿物颗粒干法选矿装置内部流场有限元模型,通过试验验证有限元模型的正确性,研究多密度矿物颗粒选择性分离行为对矿物颗粒分选富集效果的影响。结果表明:多密度矿物颗粒干法选矿装置可以有效的分选富集高密度有价金属钨、锰和铜;多密度矿物颗粒组分钨的品位随着粒径的增加而提高;当风速4.2m/s,矿物颗粒钨在分布距离170mm处分选品位较好,在开口为4mm时品位可达10.655%;矿物颗粒锰在分布距离270mm处富集程度最佳,开口为3mm时品位达到最大值48.3%。(本文来源于《中国矿业》期刊2018年10期）
谢君科,李玉如,柳忠彬[4]（2018）在《基于CPFD多密度矿粒的流化与分选特性》一文中研究指出基于一种流态化干法选矿装置,实现在约束环境下对多密度矿粒进行分离。通过矿物分选机理研究,利用Barracuda计算平台探索适用于干法选矿装置内气固流动模拟的计算颗粒流体力学(CPFD)仿真计算,并与实验研究相结合,对多密度矿粒分选特性进行研究。结果表明,当风速为4.2 m/s,矿粒W在分布距离170 mm处分选品位较好,在开口为4 mm时品位可达10.655%,回收率达88.6%;矿粒Mn在分布距离270 mm处矿粒富集程度最佳,开口为3 mm时品位达到最大值48.3%,回收率达80.9%。(本文来源于《有色金属工程》期刊2018年04期）
侯思祖,韩思雨,韩利钊,钱雪忠[5]（2018）在《适合多密度的DBSCAN改进算法》一文中研究指出针对具有噪声的基于密度的空间聚类(DBSCAN)算法使用固定参数Eps和Minpts,导致多密度的数据聚类效果不理想的问题,提出了一种适合多密度的DBSCAN改进算法。对数据进行预处理,识别出每个数据对象周围的密度,据此自动生成适合本区域密度的密度阈值。聚类结束前,采用密度阈值进行扩展聚类;进行下一个簇的聚类时自动生成适合本区域的密度阈值,依次进行,直到达到聚类停止条件。大量实验表明:所提算法能有效地对多密度,任意形状的数据进行聚类。(本文来源于《传感器与微系统》期刊2018年08期）
韩利钊[6]（2017）在《多密度聚类算法研究》一文中研究指出随着计算机的普及和物联网的发展,信息大爆炸的时代已经来临。每天的数据以TB、PB甚至更大的单位更新。数据的不断增大,促使数据获取技术和数据存储技术,也实现了突飞猛进的发展,但是如何处理这些数据,从这些数据中获取有用信息,给研究者们带来了巨大的挑战。数据挖掘技术由此应运而生,已经成为越来越多的学者研究的热点。数据挖掘技术就是在大规模的含有噪声的数据中,学习包含在数据中的知识,获取有用的信息,然后把这些信息应用到生活科研等各个领域。聚类分析是数据挖掘技术领域内的重要研究方向之一,并在数据挖掘领域已得到广泛应用。通过对传统的聚类算法的研究,有很多经典的算法以及针对经典算法的改进,改进方面包括算法对数据的适应性、降低算法的时间复杂度,弱化算法对参数的敏感、提高算法对噪声点的识别能力、削弱算法对先验知识的依赖等。但是还是不可避免的在某些方面有所欠缺。例如基于密度的聚类算法,虽然可以在含有噪声的数据中识别出任意形状的簇,然而效率不高限制了其处理大规模数据的能力且处理多密度数据有待完善;基于网格的聚类算法把数据空间划分成有限个单元网格,处理的对象由网格单元为单位代替数据对象为单位,一般情况下,网格数量是远远小于数据对象个数的。这种方法的优点大大降低了处理对象的个数,而且聚类结果与数据的输入顺序无关,处理对象的减少意味着算法的时间复杂度降低,有较高的运算效率。但是现有的基于网格的聚类算法通常只有在数据集分布较为均匀的情况下才能够得到较好的聚类效果,对于数据对象在空间分布不均匀的情况聚类结果的精度还有较大的提升空间。针对以上问题,本文的主要研究工作如下:作为经典基于密度的聚类算法DBSCAN聚类算法能够在含有噪声的数据里识别任意形状的簇,但由于使用固定的Eps和Minpts,使得对于多密度的数据聚类效果不理想。针对此问题提出一种改进的DBSCAN多密度聚类算法。该算法先对数据集做预处理,使每个对象多一个属性,该属性用来记录该对象在给定半径的邻域内数据的密度,并以此属性对数据集排序;根据此密度自适应的生成适合该密度的密度阈值参数。该算法能够有效处理多密度数据,而且数据预处理技术能够有效避免数据输入顺序对聚类结果的影响。为了提高基于网格相对密度差的扩展聚类算法(ECRGDD)的聚类精确度,提出了基于动态的网格相对密度差聚类算法(CDGRDD),此算法把初始单元网格密度定义为动态,有效解决了ECRGDD对于中心密度大、边缘密度稀疏的类聚类效果不佳的问题,另一方面,在密度相似相邻的网格合并时加入距离判断条件,由此减少网格合并的盲目性。多次实验结果表明,CDGRDD能够较为高效的处理多密度数据。网格划分能够提高效率,把这种思想用在DBSCAN聚类算法中,提出一种基于区域划分的DBSCAN多密度聚类算法。该算法利用网格相对密度差把数据空间划分成密度不同的区域,根据每一区域的不同密度自动生成不同的Eps参数,并利用DBSCAN算法对每一个区域进行聚类。该思想使得DBSCAN算法在查找密度相连时只在本区域查找,避免了对所有数据的遍历。有效的提升DBSCAN聚类算法精确度;区域划分较多时算法效率也能得到有效提高。(本文来源于《江南大学》期刊2017-12-01）
黄海龙[7]（2017）在《胎儿脑部血管多密度可视化建模研究》一文中研究指出目的探讨胎儿脑部血管多密度可视化建模方法及其叁维可视化模型的临床意义。方法对1例32周新鲜胎儿脑标本进行灌注不同密度造影剂填充剂并分色铸型,并在铸型基础上行CT薄层扫描获取原始二维断层图像数据集,利用Mimics17.0软件构建胎儿脑部血管多密度叁维可视化模型。结果重建胎儿脑部血管多密度叁维可视化模型过程中可根据不同密度差来显示任意脑部血管的形态学结构,有效对深部脑部血管血管进行观察与准确测量。结论基于胎儿脑部血管多密度叁维模型的优点,通过虚拟移除单独显示和全脑完整显示胎儿脑部血管血管相结合方式,可多层面立体地显示胎儿脑部血管血管的走行及分布,为胎儿基础医学研究和解剖教学提供可靠形态学资料。(本文来源于《中国解剖学会第六届全国解剖学技术学术会议论文汇编》期刊2017-08-07）
韩利钊,钱雪忠,罗靖,宋威[8]（2018）在《基于区域划分的DBSCAN多密度聚类算法》一文中研究指出DBSCAN聚类算法使用固定的Eps和min Pts,处理多密度的数据效果不理想,并且算法的时间复杂度为O(N2)。针对以上问题,提出一种基于区域划分的DBSCAN多密度聚类算法。算法利用网格相对密度差把数据空间划分成密度不同的区域,每个区域的Eps根据该区域的密度计算自动获得,并利用DBSCAN算法进行聚类,提升了DBSCAN的精度;避免了DBSCAN在查找密度相连时需要遍历所有数据的不足,从而改善了算法效率。实验表明算法能有效地对多密度数据进行聚类,对各种数据的适应力较强,效率较优。(本文来源于《计算机应用研究》期刊2018年06期）
[9]（2017）在《名称:多密度鞋底插件的制作》一文中研究指出序号:US9,283,724B2该方法采用向已经套入鞋楦并放入模具中的鞋帮注射鞋底材料来实现多密度鞋底插件的制作。模具包括一个注射腔、可以活动的边框、鞋底状插件、垂直向可移动活塞,鞋底状插件被预先放入模具中,在完成第一次注塑后,取出鞋底状插件,再更换不同密度、颜色材料进行第二次注塑。(本文来源于《中外鞋业》期刊2017年06期）
曾兰玲,张巍,杨洋,詹永照[10]（2016）在《基于有限细节的植物叶片多密度点云重建算法》一文中研究指出针对粗糙点云在植物模型重建过程中遇到的噪点多、边缘粘合等问题,提出一种基于有限细节的多密度点云重建算法。首先利用Kinect采集到的深度和颜色信息提取出植物叶片点云,并通过颜色信息对原始点云进行稀疏处理,分离开粘合部位,得到理想的点云;然后基于人眼视觉识别的局限性提出了一种有限细节多密度点云重建算法,与传统的网格重建不同,其以点代面通过不断细化点的密度来产生视觉误差上的模糊曲面。实验证明,所提算法的重建效果和速度在一定程度上优于网格重建的。(本文来源于《计算机科学》期刊2016年08期）
多密度论文开题报告
（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：
针对基于网格的聚类算法存在簇边缘网格中包含噪声点、利用网格相对密度差进行网格合并时不能区分密度均匀变化的网格等问题。提出一种利用区域划分的多密度快速聚类算法MFCBR。算法把数据空间划分成密度不同的网格,利用网格索引表和网格中心密度差合并网格形成簇,然后分别计算每个簇的边界网格质心、边界网格和最近簇网格中心位置,利用叁者之间的关系来排除簇边界网格数据中包含的噪声点。实验表明,该算法在降低噪声数据对聚类干扰的同时,且对密度均匀变化的多密度数据集也有较优的处理效果。
（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。
多密度论文参考文献
[1].孙绵,侯再恩,韩肖赟.基于多密度峰值的CFSFDP算法改进[J].计算机应用与软件.2019
[2].牛少章,欧毓毅,凌捷,顾国生.利用区域划分的多密度快速聚类算法[J].计算机工程与应用.2019
[3].韩诗培,谢君科,曾涛,柳忠彬,王欢.基于CPFD多密度矿物颗粒选择性分离行为研究[J].中国矿业.2018
[4].谢君科,李玉如,柳忠彬.基于CPFD多密度矿粒的流化与分选特性[J].有色金属工程.2018
[5].侯思祖,韩思雨,韩利钊,钱雪忠.适合多密度的DBSCAN改进算法[J].传感器与微系统.2018
[6].韩利钊.多密度聚类算法研究[D].江南大学.2017
[7].黄海龙.胎儿脑部血管多密度可视化建模研究[C].中国解剖学会第六届全国解剖学技术学术会议论文汇编.2017
[8].韩利钊,钱雪忠,罗靖,宋威.基于区域划分的DBSCAN多密度聚类算法[J].计算机应用研究.2018
[9]..名称:多密度鞋底插件的制作[J].中外鞋业.2017
[10].曾兰玲,张巍,杨洋,詹永照.基于有限细节的植物叶片多密度点云重建算法[J].计算机科学.2016