论文部分内容阅读
海洋Argo浮标监测数据具有不确定、轨迹分布、大批量以及由于Argo浮标“随波逐流”等特点，导致浮标观测剖面在时间和位置上的不确定性，Argo浮标受海水漂流和恶劣气象的影响，会造成错误的传感数据，对科学、合理及标准化处理监测资料及数据分析造成困难。针对此类问题本文对海洋Argo浮标监测数据在聚类分析和异常检测方面进行了研究，研究工作主要如下： （1）针对温盐度海洋Argo浮标监测数据异常问题，改进了Kmeans算法的海洋数据异常检测方法，通过一种改进Kmeans 算法DMKmeans(Density Mathematics Kmeans)，选取给定邻域范围内最近邻数据点最多的点为初始中心点，迭代聚类，直到准则函数收敛，聚类结束。基于DMKmeans算法对数据集聚类后，再使用数学模型为准则进行海洋监测数据异常检测。 （2）针对变化更为复杂的海洋Argo浮标监测数据异常问题，提出了基于MeanShift核函数平移模型DBSCAN算法改进的CURE算法。通过Meanshift核函数平移模型自适应得到参数Eps和MinPts，然后由DBSCAN算法聚类得出异常值集和若干初始聚类正常值集，再对全部正常值集进行改进CURE算法的层次聚类，精确聚类结果，最终得出正常值聚类结果集。自适应参数的密度聚类，避免了人工设置参数，提高聚类准确率，通过引入质心公式改进CURE算法，代替收缩因子，进一步精确划分聚类结果，降低时间复杂度，提高算法全局收敛性和可靠性。 通过海洋监测数据异常检测仿真实验，将DMKmeans算法与传统Kmeans算法及MinMaxKmeans算法对比分析，结果表明新提出算法改进了Kmeans算法随机指定初始点聚类而造成局部聚类最优的不足，能有效提高对二维Argo浮标数据的聚类准确率和异常检测率。在对温盐度、随经纬度以及压强变化的温盐度或溶解氧的Argo浮标数据集聚类分析及异常检测方面，DCNDA算法在时间复杂度、聚类准确率、异常值检测效率方面优于改进分区CURE算法和PDBSCAN算法。