可增量学习的水下航行器噪声源识别中聚类算法研究

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (9): 53-56.doi: 10.3969/j.issn.1007130X.2010.

可增量学习的水下航行器噪声源识别中聚类算法研究

高志华1，贲可荣1，章林柯2

(1.海军工程大学计算机工程系，湖北武汉 430033;2.海军工程大学振动与噪声研究所，湖北武汉 430033)

收稿日期:2010-03-16 修回日期:2010-06-18 出版日期:2010-09-02 发布日期:2010-09-02
作者简介:高志华(1979),女,湖北武汉人，博士，讲师，CCF会员(E202011937M),研究方向为人工智能与机器学习。
基金资助:
国家自然科学基金资助项目(50775218)

Research on the Clustering Algorithm of the ClassIncremental Learning Model for Underwater Vehicle Noise Source Recognition

GAO Zhihua1,BEN Kerong1,ZHANG Linke2

(1.Department of Computer Engineering,Naval University of Engineering,Wuhan 430033;
2.Institute of Noise and Vibration,Naval University of Engineering,Wuhan 430033,China)

Received:2010-03-16 Revised:2010-06-18 Online:2010-09-02 Published:2010-09-02

摘要/Abstract

摘要：

水下航行器的噪声源识别具有训练样本有限，存在偶发或突变噪声源等特点。本文针对这些特点，在具有增量学习能力的水下航行器的噪声源识别系统架构下，提出了一种参数自适应可调的基于密度的聚类算法。实验表明，该算法可以有效避免基于密度的聚类算法的参数敏感性对聚类结果的不良影响，在无监督情况下对水下航行器的机械噪声源样本进行有效聚类。通过该聚类算法标注后的样本可直接作为具有增量学习结构的分类器的训练样本，节省了时间和系统开销。

关键词: 噪声源识别, 增量学习, 聚类算法

Abstract:

The underwater vehicle machinery noise source recognition features that the training samples is limited and have abrupt noise samples. Based on these characteristics,this paper proposes a densitybased algorithm which is parameter adjustable. And this novel algorithm is an important component of the underwater vehicle machinery noise source recognition system with incremental learning ability. The experimental results show the new algorithm can avoid the parameter sensitivity of DBSCAN. Labeled samples by this algorithm can directly be used as the classifier training samples,saving lots of time and system resources.

Key words: noise source recognition;incremental learning;clustering algorithms

高志华1，贲可荣1，章林柯2. 可增量学习的水下航行器噪声源识别中聚类算法研究[J]. J4, 2010, 32(9): 53-56.

GAO Zhihua1,BEN Kerong1,ZHANG Linke2. Research on the Clustering Algorithm of the ClassIncremental Learning Model for Underwater Vehicle Noise Source Recognition[J]. J4, 2010, 32(9): 53-56.

编辑推荐

Metrics

阅读次数

全文

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	67

来源	本网站	其他网站

次数	44	23
比例	66%	34%

摘要

最新录用	在线预览	正式出版

0	0	47

	来源	本网站

	次数	47
	比例	100%

[1]	李兰, 刘杰, 张洁. 基于YOLOv4改进算法的复杂行人检测模型研究[J]. 计算机工程与科学, 2022, 44(08): 1449-1456.
[2]	黄志强, 李军, 张世义. 基于轻量级神经网络的目标检测研究[J]. 计算机工程与科学, 2022, 44(07): 1265-1272.
[3]	刘颜星, 郝占军, 田冉. 基于CSI信号的被动式室内指纹定位算法研究[J]. 计算机工程与科学, 2021, 43(08): 1398-1404.
[4]	毛伊敏，刘银萍. 基于复合物参与度和密度的关键蛋白质预测[J]. 计算机工程与科学, 2019, 41(10): 1738-1748.
[5]	吴翠先1,2,3，何少元1,2. 基于区间数的不确定性数据聚类算法:UD-OPTICS[J]. 计算机工程与科学, 2019, 41(07): 1303-1311.
[6]	邵俊健，王士同. 高维数据的增量式聚类算法的距离度量选择研究[J]. 计算机工程与科学, 2019, 41(02): 214-223.
[7]	刘卫明1,2，李忠利1，毛伊敏1. 不确定近似骨架蚁群聚类算法在滑坡危险性预测中的研究与应用[J]. 计算机工程与科学, 2018, 40(12): 2234-2242.
[8]	孙明珊，覃华，苏一丹. 一种改进的模糊连接点聚类算法[J]. 计算机工程与科学, 2018, 40(06): 1140-1146.
[9]	谢修娟1,李香菊1，莫凌飞2. 基于改进K-means算法的微博舆情分析研究[J]. 计算机工程与科学, 2018, 40(01): 155-158.
[10]	张凤荔1，周洪川1，张俊娇1，刘渊2，张春瑞2. 基于改进凝聚层次聚类的协议分类算法[J]. 计算机工程与科学, 2017, 39(04): 796-803.
[11]	赵亮1,刘建辉2,张昭昭2. 基于贝叶斯距离的K-modes聚类算法[J]. 计算机工程与科学, 2017, 39(01): 188-193.
[12]	张立仿，张喜平. 量子遗传算法优化BP神经网络的网络流量预测[J]. J4, 2016, 38(01): 114-119.
[13]	陈晨,杜晓荣,陈启文. 基于分段函数的中国画风格渲染新方法[J]. J4, 2014, 36(11): 2196-2202.
[14]	贾松浩，杨彩，张海玉. 利用节点顺序置信指导增量学习贝叶斯网络的研究与应用[J]. J4, 2013, 35(6): 96-100.
[15]	刘发升，张菊琴. 结合PCM聚类算法的网页排序[J]. J4, 2013, 35(4): 144-149.

可增量学习的水下航行器噪声源识别中聚类算法研究

Research on the Clustering Algorithm of the ClassIncremental Learning Model for Underwater Vehicle Noise Source Recognition

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价