Page 83 - 城镇燃气管道检测与评估技术规程
P. 83
第二章 管道智能检测研究
数据的分布。由于考虑了特征的协方差模型，GMM 算法可以提供更强的描述能
力。相比于 K 均值算法，GMM 算法有更多的初始条件需要设置，所需设置参数
包括初始类中心、协方差矩阵和混合权重。
（5）凝聚层次聚类（Agglomerative Hierarchical Clustering，AHC）
AHC 是一种自底向上的方法，其中每个数据点从它们自己的集群开始，并
在一个集群向上移动时依次合并在一起创建新的集群，一个链接标准决定了哪些
数据集合会被分配到一组。这些集群的层次可以用树状图表示。
以上广泛使用的算法实际上可依据各自的基本原理分为三类，即基于距离、
基于模型和基于密度的聚类。其中，基于密度的聚类具备对不规则形状集合进行
大规模高效处理的能力，无需提前假设类别个数以及其他参数等，因此近年来密
度聚类是一个研究热点。
1996 年，EsterMartin 等人提出了 DBSCAN 算法，该算法可以对大规模数
据集进行聚类，有效提高了聚类速度。1998 年，Hinneburg 等人开发了基于核
密度原理的 DENCLUE 聚类，提高了计算局部密度速度。同年 Sander 等人提出
的 GDBSCAN 算法泛化了基于密度簇类的拓扑结构。1999 年，Ankerst 等人提
出 OPTICS 算法，消除了对于距离阈值参数的近似值选择需求，产生了一种与连
接聚类类似的层级聚类结果。2007 年，Birant 提出了 ST-DBSCAN 算法，可以
根据目标的非空间值、空间值和时间值进行聚类。2010 年，Kisilevich 等人提出
P-DBSCAN 算法，用于分析使用地理标签的照片集合。2013 年，HDBSCAN 由
Campello 等人提出，将密度算法转变成层次聚类的方式进行扩展。
2014 年，Rodriguez 等人提出快速搜索密度峰值聚类算法。该算法是一种可
以发现非凸簇类的新型聚类算法，无需指定聚类数量，与其他方法不同之处在于
该方法无需迭代，计算速度更快，参数条件容易。因此为诸多难题带来了全新的
解决方式，算法应用潜力巨大。
3. 有监督智能诊断方法研究
提取的管道缺陷信号特征能够清晰地反映有效信息，利用有监督智能诊断算
法可以准确地分析出此特征隐含的管道缺陷状态，识别缺陷类型进而给出正确的
应对方案。监督学习是用基于有标签的学习来描述预测任务的方法，目标是预测
或者进行一个特定的分类。预测分类结果的监督学习在机器学习中通常称为分类，
而预测连续结果称为回归，即二者区别在于输出变量的类型，连续变量的预测属
75
