(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210427520.5 (22)申请日 2022.04.22 (71)申请人 新疆大学 地址 830046 新疆 维吾尔自治区乌鲁 木齐 市天山区胜利路6 66号新疆大学 (72)发明人 郭振宇　袁杰　马圣山　贾焦予　 刘强　李中华　匡本发　吴琼　 (51)Int.Cl. G06V 10/762(2022.01) G06K 9/62(2022.01) (54)发明名称 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 (57)摘要 本发明涉及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， 其方法为， 使用携 带气体传感器和定位装置的机器人获取羽流扩 散空间中的羽流特征， 构建羽流特征集合； 对具 有相似特点的羽流特征， 使用狄利克雷过程混合 模型的方法进行聚类， 得到羽流空间分布类型； 设计Collapsed  Gibbs采样推断参数， 输出最终 空间羽流特征聚类数据， 本发明能够考虑非结构 环境下羽流 分布的复杂情况， 可以实现对空间中 羽流类型的快速、 精准且 全面的聚类 。 权利要求书2页 说明书6页 附图3页 CN 114821141 A 2022.07.29 CN 114821141 A 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,...,xi}， 其中xi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， zi表示第i个羽流特征所属羽流类 型， Multino mial(·)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zi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）权　利　要　求　书 1/2 页 2 CN 114821141 A 2式 （4） 中， Gu assian(·)表示高斯分布， NIW( ·)表示逆Wishart分布， μk，Σk表示第k个 羽流类型对应的高斯分布的均值与方差， Φk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W ishart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zi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zi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xi随机分配到K个羽流类型中； S3‑2:设置m=1; S3‑3:将xi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xi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xi在新羽流类型中的后验概 率； S3‑6:从  或  中为zi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xi,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。权　利　要　求　书 2/2 页 3 CN 114821141 A 3