【技术实现步骤摘要】
一种基于维度分解的密度聚类类标模式识别方法
本方法属于模式识别领域，尤其涉及一种基于维度分解的密度聚类类标模式识别方法。
技术介绍
密度聚类算法DBSCAN具有能够处理任意形状数据，能够根据数据自身规律自主推断聚类数量，可以自动剔除噪声数据等诸多优点，因此被广泛应用于多个领域。DBSCAN算法对原始聚类数据(训练数据)完成聚类分析后，会将训练数据分成若干个簇，并用不同的类标标记，即对数据分组。在实际应用中，往往需要判断新的数据(测试数据)属于训练数据中的哪一组，即测试数据的聚类类标模式识别。常见的模式识别方法有基于相似性(距离)、基于神经网络和基于机器学习的模式识别方法等。其中，基于相似性的模式识别方法根据测试数据与训练数据的空间相似性判断类标，计算开销较大。基于神经网络的模式识别方法需要建模，且模型容易陷入局部最优和过拟合，当数据量增大时计算开销较大。基于机器学习的模式识别方法也需要学习训练数据与类标的规律建模，进而对测试数据类标做出识别，但该类算法存在以下几点问题：1)当数据量增大时计算开销较大；2)容易...
【技术保护点】
1.一种基于维度分解的密度聚类类标模式识别方法，其特征在于，包括以下步骤：/n步骤1、输入聚类后的无人机的训练数据X＝x
【技术特征摘要】
1.一种基于维度分解的密度聚类类标模式识别方法，其特征在于，包括以下步骤：
步骤1、输入聚类后的无人机的训练数据X＝x1,x2,…,xm，其中m为训练数据总数，训练数据的维度为n，
输入训练数据X对应的训练数据类标
输入聚类核心点索引集合C和邻域半径Eps，
输入无人机的测试数据T＝t1,t2,…,tp，其中p为测试数据的总数，测试数据的维度为n，
步骤2、按照聚类核心点索引集合C从训练数据X中取出核心点矩阵CX，AC为核心点矩阵CX中核心点的总数，CXi表示核心点矩阵CX中第i个核心点，为核心点CXi的n个维度值，i的范围为[1,AC]，
步骤3、取无人机测试数据矩阵中第k个测试数据tk，为测试数据tk的n个维度值，遍历核心点矩阵CX中所有核心点，若第i个核心点CXi各维度值满足：
j为核心点的维度序号，j的范围为[1，n]，
则将核心点CXi存入测试数据tk的邻近核心点集合N1，
步骤4，分析测试数据tk的邻近核心点集合N1，对测试数据tk的聚类类标进行识别，
步骤5，重复步骤3至步骤4遍历无人机测试数据矩阵中的各个测试数据。
2.根据权利要求1所述的一种基于维度分解的密度聚类类标模式识别方法，其特征在于，所述的步骤4包括以下步骤：
步骤4.1，若测试数据tk的邻近核心点集合N1为空，则将测试数据tk标记为噪声点；
步骤4.2，若测试数据tk的邻近核心点集合N1中只有一个核心点，记为核心点CXr，则进一步判断下式是否成立：...
【专利技术属性】
技术研发人员：梁少军，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。