采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

摘要

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题，提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略，同时融合了精英反向化思路，显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力，提高了寻找FCM最优聚类中心的成功率；利用DEAMPOA结合加权熵法对FCM进行优化，提高鲁棒性的同时增强了搜索精度，得到较好的聚类结果；在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验，验证了所提方法综合性能优越；将所提方法与信息熵融合，并应用在三维点云KITTI数据集简化中。实验结果表明：与包围框简化法、随机采样简化法和特征选择简化法对比，所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

关键词

C-均值聚类 / 鹈鹕优化算法 / 点云简化 / 信息熵

基金资助

国家自然科学基金资助项目(62341301); 西安市智慧高速公路信息融合与控制重点实验室(长安大学)开放基金资助项目(300102323502); 中央高校基本科研业务费资助项目(300102324501)