[发明专利]一种基于狄利克雷过程混合模型的空间羽流特征聚类方法

权利要求书

1.一种基于狄利克雷过程混合模型的空间羽流特征聚类方法，其特征是按如下步骤进行：

S1:使用携带气体传感器和定位装置的机器人获取羽流空间中羽流特征，羽流特征包括机器人获取的浓度信息和机器人空间位置信息；

S2:基于机器人获取羽流特征集合M，构建非参贝叶斯模型狄利克雷过程混合模型DPMM；

S3:基于通过机器人获取的的羽流特征集合M，设计Collapsed Gibbs采样，对各羽流特征所属羽流类型进行推断；

S4:根据最终的各羽流类型分布，对机器人获取的所有羽流特征进行聚类；

S5:在各羽流类型区域根据机器人获取的浓度信息和浓度梯度信息，将空间中羽流特征分布进行划分，获得空间羽流特征分布状态。

2.如权利要求1所述的一种基于狄利克雷过程混合模型的空间羽流特征聚类方法，其特征在于，步骤S1使用携带气体传感器和定位装置的机器人获取羽流空间中羽流特征主要按如下步骤进行：

S1-1:计算机器人获取的羽流特征的总数量N；

S1-2:构建机器人获取的羽流特征集合M∈{x₁,x₂,...,x_i}，其中x_i表示机器人获取的第i个羽流特征。

3.如权利要求1所述的一种基于狄利克雷过程混合模型的空间羽流特征聚类方法，其特征在于，步骤S2基于机器人获取羽流特征集合M，构建非参贝叶斯模型狄利克雷过程混合模型DPMM主要按如下步骤进行：

S2-1:对于机器人获取的第i个羽流特征，按照式（1）生成第i个羽流特征所属羽流类型；

（1）

式（1）中，～表示服从，z_i表示第i个羽流特征所属羽流类型，Multinomial(·)表示多项式分布，Dirichlet(·)表示狄利克雷分布，π表示多项式分布的超参数，α表示狄利克雷分布的超参数；

S2-2:对于机器人获取的第i个羽流特征，按照式（2）生成第i个羽流特征所属原有羽流类型中第k个羽流类型的概率；

（2）

式（2）中，K表示总的羽流类型数量，z_-i表示除z_i的其它所有羽流类型集合，n_-i,k表示第k个羽流类型中的羽流特征数量，N为机器人获取的总羽流特征数量；

S2-3:对于机器人获取的第i个羽流特征，按照式（3）生成第i个羽流信息所属新羽流类别第K+1个羽流类别的概率；

（3）

S2-4:对于机器人获取的第i个羽流特征，按照式（4）生成原有羽流类型预测后验分布；

（4）

式（4）中，Guassian(·)表示高斯分布，NIW(·)表示逆Wishart分布，μ_k，Σ_k表示第k个羽流类型对应的高斯分布的均值与方差，Φ_k表示第k个羽流类型对应的逆Wishart分布的超参数；

S2-5:对于机器人获取的第i个羽流特征，按照式（5）生成新羽流类型预测后验分布；

（5）

式（5）中，μ，Σ表示第K+1个羽流类型对应的高斯分布的均值与方差，Φ表示第K+1个羽流类型对应的逆Wishart分布的超参数；

S2-6:对于机器人获取的第i个羽流特征，按照式（6）生成第i个羽流特征所属原有羽流类别z_i的后验概率；

（6）

式（6）中 表示正比于；

S2-7:对于机器人获取的第i个羽流特征，按照式（7）生成第i个羽流特征所属新羽流类型z_i的后验概率；

（7）

上式（7）表示后验概率。

4.如权利要求1所述的一种基于狄利克雷过程混合模型的空间羽流特征聚类方法，其特征在于，步骤S3基于通过机器人获取的的羽流特征集合M，设计Collapsed Gibbs采样，对各羽流特征所属羽流类型进行推断主要按如下步骤进行：

S3-1:随机生成不大于N的整数K,将羽流特征x_i随机分配到K个羽流类型中；

S3-2:设置m=1;

S3-3:将x_i从原有羽流类型中删除，更新该羽流类型对应的高斯分布的均值、方差和逆Wishart分布的超参数，如果这个羽流类型中的羽流特征的数量为零，那么删除这个羽流类型，并且K-1；

S3-4:根据式（6）生成羽流特征x_i在原有羽流类型中的后验概率；

S3-5:根据式（7）生成羽流特征x_i在新羽流类型中的后验概率；

S3-6:从 或 中为z_i抽样新的羽流类型；

S3-7:如果产生了一个新的羽流类型，那么K=K+1；

S3-8:从羽流特征集合M中生成新的羽流特征x_i,将m+1赋值给m，并返回S3-3执行，直到m=N；

S3-9:重复S3-2至S3-8，在Collapsed Gibbs采样过程中，不断更新每个羽流特征所属的羽流类型，并不断更新第i个羽流特征所在羽流类型的分布，当所有羽流特征所属的羽流类型不再变化时，输出最终的各羽流类型分布。