Detecting Features in Spatial Point Processes with Clutter via Model-Based Clustering
通过模型聚类识别含杂波的空间点过程特征AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论空间点过程和聚类识别，空间邻近关系不等同于网络或干扰，未提供所列领域分类的充分依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过模型聚类识别含杂波的空间点过程特征
- 研究问题
- 当空间点资料包含大量杂波时，如何识别雷区、地震断层等线性或非线性特征，并估计这些特征的数量？
- 方法与思路
- 作者以近线性的多元正态密度表示特征、空间泊松过程表示杂波，用层级模型聚类初始化，再以 EM 算法细化。
- 材料陈述的贡献
- 摘要提出用多个密度拼接表示非线性特征，并依据特征数量后验分布的近似进行估计，称两个应用取得良好结果。
- 阅读关注点
- 应核对特征与杂波的可区分条件、分段线性表示和初始化步骤，以及特征数量后验近似及应用评价标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未提供误检率、识别条件或计算表现，历史软件说明不能证明当前仍可获取。
原文摘要
We consider the problem of detecting features, such as minefields or seismic faults, in spatial point processes when there is substantial clutter. We use model-based clustering based on a mixture model for the process, in which features are assumed to generate points according to highly linear multivariate normal densities, and the clutter arises according to a spatial Poisson process. Nonlinear features are represented by several densities, giving a piecewise linear representation. Hierarchical model-based clustering provides a first estimate of the features, and this is then refined using the EM algorithm. The number of features is estimated from an approximation to its posterior distribution. The method gives good results for the minefield and seismic fault problems. Software to implement it is available on the World Wide Web.