基于优化模糊C均值算法的锚泊船聚集特性

针对模糊C均值算法随机选择初始聚类中心导致聚类结果对噪声样本点敏感性的不足,采用局部密度加权的方法,将初始聚类中心的选择范围限制在局部密度较高样本点区域,优化初始聚类中心的选择方法;利用样本点的局部密度改进目标函数,提高局部密度较高的样本点在目标函数迭代过程中的影响力,从而提升模糊C均值算法的聚类性能,并采用人造数据集和鸢尾花真实数据集验证优化的局部密度模糊C均值算法的聚类效果;通过计算锚泊船位置数据的局部密度,分析了船舶锚泊偏好。试验结果表明:对比模糊C均值算法,优化的局部密度模糊C均值算法聚类精准率提高了2.9%,召回率提高了3.8%,F度量值提高了3.9%,说明优化的局部密度模糊C均值算法的性能优于模糊C均值算法;在锚泊船位置数据上的聚类结果正确反映了天津港锚泊船的聚集特点和锚泊偏好,其结果与船舶的常规做法一致,说明优化的局部密度模糊C均值聚类算法是一种分析锚泊船聚集特性和锚泊偏好的有效方法。

国家自然科学基金项目(61672002); 福建省自然科学基金项目(2019J01325,2019J01326); 集美大学博士科研启动经费(ZQ2019012);

水路交通; 锚泊船; 模糊C均值算法; 位置数据; 数据挖掘; 聚集特点; 锚泊偏好;

10.19818/j.cnki.1671-1637.2019.06.013

U675.92

10137-148123650K
在线咨询 用户反馈