密度聚类算法及其在海洋中尺度现象中的应用研究

发布时间：2021-03-11 22:46

　　在大数据时代,数据量的爆炸式增长让传统人工处理方法无法应对。而数据挖掘技术可以快速高效发现数据内的潜在模式和知识,其中,聚类算法作为一种常用的数据处理方式已经广泛应用于数据处理过程之中,其目标为从不含类别标签的数据中提取知识,发现数据间潜在关联并将其归类。作为一种海洋中普遍存在的现象,中尺度涡每天会产生大量的数据,无论是对中尺度涡的探测还是跟踪的研究中,较早的中尺度涡研究方法大多都是采用人工探测和追踪的方法对数据进行处理,其处理效率低下。但通过人工处理数据的再复现算法通常会出现各种缺点,而使用数据挖掘算法对海洋数据进行处理可以有效提高处理效率。因此,研究利用数据挖掘算法的中尺度涡探测和中尺度涡追踪算法,具有十分重要的理论意义和实践价值。本文重点关注密度聚类问题。详细分析现有密度聚类算法优缺点,在众多中尺度涡研究工作的基础之上,改进密度聚类算法,并将其应用于海洋中尺度数据处理。本文主要贡献如下:（1）提出了基于最小生成树的密度聚类算法。传统的密度聚类算法通常使用固定的全局参数,因此无法应对密度稀疏区域的样本处理工作。本文基于图论中的最小生成树方法,以密度为评价指标对数据集进行划分,通过对... 

【文章来源】：山东科技大学山东省

【文章页数】：124 页

【学位级别】：博士

【部分图文】：

图２．１中尺度涡探测及追踪示例??

图２．２密度可达与密度连接??Ｆｉｇ．?２．２?Ｄｅｎｓｉｔｙ－ｒｅａｃｈａｂｌｅ?ａｎｄ?ｄｅｎｓｉｔｙ－ｃｏｎｎｅｃｔｅｄ??

图２．３?Ｋ－均值算法与ＤＢＳＣＡＮ对不规则簇聚类效果??Ｆｉｇ．?２．３?Ｋ－ｍｅａｎｓ?ａｌｇｏｒｉｔｈｍ?ａｎｄ?ＤＢＳＣＡＮ?ｆｏｒ?ｉｒｒｅｇｕｌａｒ?ｃｌｕｓｔｅｒｉｎｇ?ｅｆｆｅｃｔ??

【参考文献】：
期刊论文
[1]DBSCAN和K-Means混合聚类的牙齿特征自动识别[J]. 褚玉伟,罗晓博,屈珂,陶煜波,林军,林海.  计算机辅助设计与图形学学报. 2018(07)
[2]基于空间区域功能划分的人群移动模式可视分析[J]. 孙国道,柳芬,蒋莉,梁荣华.  计算机辅助设计与图形学学报. 2018(06)
[3]DBSCAN算法优化及其在GSM-R铁塔监测系统中的应用[J]. 胡淼淼,刘宏志,张铎.  计算机应用与软件. 2018(05)
[4]基于卡尔曼滤波的动态轨迹预测算法[J]. 乔少杰,韩楠,朱新文,舒红平,郑皎凌,元昌安.  电子学报. 2018(02)
[5]改进的DBSCAN聚类和LAOF两阶段混合数据离群点检测方法[J]. 石鸿雁,马晓娟.  小型微型计算机系统. 2018(01)
[6]基于灰色方法与结构距离的飓风轨迹聚类算法[J]. 江艺羡,张岐山.  系统工程理论与实践. 2017(04)
[7]基于1993—2014年高度计数据的西北太平洋中尺度涡识别和特征分析[J]. 崔伟,王伟,马毅,杨俊钢.  海洋学报. 2017(02)
[8]面向中尺度涡提取的SLA去噪方法研究[J]. 吴书超,董庆,薛存金,毕经武,廖志宏,宋晚郊.  地球信息科学学报. 2016(09)
[9]自适应高阶容积卡尔曼滤波在目标跟踪中的应用[J]. 崔乃刚,张龙,王小刚,杨峰,卢宝刚.  航空学报. 2015(12)
[10]利用卫星监测热点数据的湖北电网林火灾害时空聚类分析及其应用[J]. 陈孝明,阮羚,陈江平,付明花,黄俊杰,谭波.  测绘通报. 2015(09)

博士论文
[1]西太平洋暖池区北部悬浮体分布特征及其影响机制[D]. 高微.中国科学院大学(中国科学院海洋研究所) 2018

硕士论文
[1]多源卫星高度计海面高度异常数据融合研究[D]. 崔伟.国家海洋局第一海洋研究所 2016



本文编号：3077226