申请/专利权人：北京理工大学;北京理工大学前沿技术研究院

申请日：2023-11-17

公开（公告）日：2024-02-02

公开（公告）号：CN117493919A

主分类号：G06F18/2321

分类号：G06F18/2321;G06F18/2415

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明公开了一种基于DBSCAN三维参数空间的虫群自适应分割方法。本发明基于虫群迁移特点，根据每日单位分钟迁飞昆虫数量设定经验参数MinPts，接着基于MinPts对应的密度变化曲线计算Eps，从而采用DBSCAN算法实现虫群聚类；最后对初步聚类结果进行边缘稀疏目标剔除、虫群合并、虫群边缘扩展等优化操作，得到良好的分割效果，识别率高。使用本发明能够对迁飞虫群时间、高度、体重维度上的精细化准确分割，有助于实现迁飞虫群的精细化迁飞行为分析，保护我国粮食安全。

主权项：1.一种基于DBSCAN三维参数空间的虫群自适应分割方法，其特征在于，包括：步骤一，设定MinPts值：计算观测时间内的单位分钟迁飞昆虫数量dense，基于dense值设定MinPts值；dense值越大，设定的MinPts值越大；步骤二，计算Eps值：S21，对观测到的昆虫数据的时间、高度和体重进行归一化处理，得到归一化处理后的观测数据；S22，对于归一化处理后的每一个观测数据，计算距离该观测数据点第MinPts-1近的点的距离，并重新排序，得到观测数据集密度变化曲线；S23，对所述密度变化曲线进行一阶差分，然后进行平滑处理，再做极大值化处理，得到密度变化曲线差分曲线；S24，计算密度变化曲线差分曲线中横坐标5％～95％的数据的均值μ和标准差σ，基于阈值μ+3σ对差分曲线进行截取；S25，在截取曲线中选取多个纵坐标值作为Eps；其中，阈值μ+3σ越大，选取位置更靠前的纵坐标作为Eps；步骤三，采用DBSCAN算法，根据MinPts和不同的Eps对归一化后的数据集进行聚类；步骤四，对步骤三的聚类结果进行优化：S41，剔除边缘稀疏目标：计算步骤三的聚类结果中最低密度分群与其他分群的相交程度p，若存在p＞0.1则删除该最低密度分群；S42，虫群融合：若两个分群的相交程度p＞0.25且该两个分群归一化后的平均体重之差不超过0.2，则合并该两个分群；S43，对虫群边缘进行扩展操作；由此，完成虫群的分割。

全文数据：

权利要求：

百度查询： 北京理工大学;北京理工大学前沿技术研究院 基于DBSCAN三维参数空间的虫群自适应分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD