空间聚类方法的分类

目前,空间聚类的研究成果主要集中在点目标方面,现有的分类方法也主要针对点目标的聚类。随着空间聚类研究和应用的不断深入,线目标、面目标的空间聚类方法也逐渐被提出,因此本文从空间目标的维度、是否顾及非空间属性、算法思想等3个方面,探讨了空间聚类的分类方法,进而简要阐述每种空间聚类方法的典型算法。     

一种基于双重距离的空间聚类方法

传统聚类方法大都是基于空间位置或非空间属性的相似性来进行聚类,分裂了空间要素固有的二重特性,从而导致了许多实际应用中空间聚类结果难以同时满足空间位置毗邻和非空间属性相近。然而,兼顾两者特性的空间聚类方法又存在算法复杂、结果不确定以及不易扩展等问题。为此,本文通过引入直接可达和相连概念,提出了一种基于双重距离的空间聚类方法,并给出了基于双重距离空间聚类的算法,分析了算法的复杂度。通过实验进一步验证了基于双重距离空间聚类算法不仅能发现任意形状的类簇,而且具有很好的抗噪性。     

一种基于场论的层次空间聚类算法

从空间数据场的角度出发,提出了一种基于场论的层次空间聚类算法(简称HSCBFT)。该算法是通过模拟空间实体间的凝聚力来描述空间实体间的相互作用,进而采取层次凝聚的策略进行聚类。通过实验分析可以发现,层次空间聚类算法具有如下优势:①空间聚类簇中各空间实体很好地满足了空间邻近且专题属性相似的要求;②能发现任意形状的空间簇,且具有良好的抗噪性;③输入参数较少。     

基于空间实体约束的空间聚类算法研究

空间实体的存在对空间聚类分析产生重要的影响,传统的空间聚类分析中没有考虑空间实体的约束作用,从而影响了聚类结果。本文在总结了以往的空间聚类算法的基础上,提出了一种改进的基于空间邻接关系的空间聚类算法,该算法将空间邻接关系和空间实体作为约束条件嵌入到整个聚类过程中,使得数据对象的归类受到"就近原则"和"约束条件"的双重限制。     

DBSCAN空间聚类算法及其在城市规划中的应用

空间聚类是空间数据挖掘和知识发现的主要方法之一。DBSCAN算法可以从带有“噪声”的空间数据库中发现任意形状的聚类,是一种较好的聚类算法。本文介绍了DBSCAN算法的基本概念和原理,并应用GIS二次开发组件MapObjects予以了实现。然后,本文将该算法应用于城市规划中,对某城市中小学和商业网点等公共设施的分布进行了聚类分析,并根据聚类结果对城市规划设计规范中的某些条款进行了讨论。     

融合图论与密度思想的混合空间聚类方法

提出了一种融合图论与密度思想的空间聚类方法——HGDSC。该方法首先借助附加约束的Delau-nay三角网来建立空间实体之间的邻接关系,然后对基于密度的聚类方法进行改进,顾及空间邻近与非空间属性相似性进行聚类。特别地,该方法只需要一个输入参数。模拟数据和实际数据验证表明,HGDSC方法能够发现任意形状和密度变化的空间簇,并且可以很好地识别噪声点。     

基于场论的空间聚类算法

从空间数据场的角度出发,提出了一种适用于空间聚类的场——凝聚场,并给出了一种新的空间聚类度量指标(即凝聚力)。进而,提出了一种基于场论的空间聚类算法(简称FTSC算法)。该算法根据凝聚力的矢量计算获取每个实体的邻近实体,通过递归搜索的策略,生成一系列不同的空间簇。通过模拟实验验证、经典算法比较和实际应用分析,发现所提出的算法具有3个方面的优势:(1)不需要用户输入参数;(2)能够发现任意形状的空间簇;(3)能够很好适应空间数据分布不均匀的特性。     

顾及属性空间分布不均的空间聚类方法——以城市商业中心的提取为例

针对Delaunay三角网空间聚类存在的不足,提出一种顾及属性空间分布不均的空间聚类方法。首先将Delaunay三角网空间位置聚类作为约束条件,采用广度优先搜索方法,以局部参数"属性变化率"作为阈值识别非空间属性相似簇的聚类过程。以城市商业中心为例,验证了该方法能够更客观地识别非空间属性相似的簇,且自适应属性阈值可以满足不同聚类需求,为城市商业中心等空间实体的提取提供了一种有效方法。     

限制条件下的空间聚类分析--改进的K-中心点聚类算法

针对空间聚类过程中存在障碍实体的问题,提出了改进的K-中心点空间聚类算法,提高了算法的执行效率,解决了限制条件下空间聚类问题,使得聚类结果更具实用性。     

基于GIS的河南省县级城市空间聚类研究与实现

将GIS与空间聚类算法相结合,可以从空间数据集中发现对象的凝聚趋势、分布规律和发展方向,并可进一步挖掘分析,从而获取更加概括和精练的信息。本文以河南省108个县级城市为研究对象,对其三年的人口及从业人员等状况进行聚类分析。采用系统聚类中的离差平方和法,以欧式距离的平方作为度量标准,对变量以Z得分作为转换标准,最终把样本划分为5类,并制作聚类划分结果专题地图。结合聚类分析和聚类分布图,进一步证实了空间聚类在县级城市空间分析中的可用性,能为河南县级城市的发展规划制定提供重要依据。     

人工蜂群算法的改进及在空间数据聚类中的应用

人工蜂群算法是一种新兴的群智能算法,具有灵活、易于与其他技术结合、设置参数少、实用性强的优点,但同时也存在一些缺陷,如蜜源更新和选择机制随意性较大,算法后期收敛速度慢等。本文在总结前人研究成果的基础上,从蜜源更新公式和选择机制两方面对基本的人工蜂群算法做出改进。算法的应用是蜂群算法研究的热点,本文采用位置-属性一体化概念模型,将空间属性与非空间属性纳入统一的空间计算模型,结合本文提出的改进的人工蜂群算法对Meuse数据集进行空间聚类分析,获得了比较好的结果。     

DCAD: a dual clustering algorithm for distributed spatial databases

Spatial objects have two types of attributes: geometrical attributes and non-geometrical attributes, which belong to two different attribute domains (geometrical and non-geometrical domains). Although geometrically scattered in a geometrical domain, spatial objects may be similar to each other in a non-geometrical domain. Most existing clustering algorithms group spatial datasets into different compact regions in a geometrical domain without considering the aspect of a non-geometrical domain. However, many application scenarios require clustering results in which a cluster has not only high proximity in a geometrical domain, but also high similarity in a non-geometrical domain. This means constraints are imposed on the clustering goal from both geometrical and non-geometrical domains simultaneously. Such a clustering problem is called dual clustering. As distributed clustering applications become more and more popular, it is necessary to tackle the dual clustering problem in distributed databases. The DCAD algorithm is proposed to solve this problem. DCAD consists of two levels of clustering: local clustering and global clustering. First, clustering is conducted at each local site with a local clustering algorithm, and the features of local clusters are extracted. Second, local features from each site are sent to a central site where global clustering is obtained based on those features. Experiments on both artificial and real spatial datasets show that DCAD is effective and efficient.     

DCAD： a Dual Clustering Algorithm for Distributed Spatial Databases

Spatial objects have two types of attributes: geometrical attributes and non-geometrical attributes, which belong to two different attribute domains (geometrical and non-geometrical domains). Although geometrically scattered in a geometrical domain, spatial objects may be similar to each other in a non-geometrical domain. Most existing clustering algorithms group spatial datasets into different compact regions in a geometrical domain without considering the aspect of a non-geometrical domain. However, many application scenarios require clustering results in which a cluster has not only high proximity in a geometrical domain, but also high similarity in a non-geometrical domain. This means constraints are imposed on the clustering goal from both geometrical and non-geometrical domains simultaneously. Such a clustering problem is called dual clustering. As distributed clustering applications become more and more popular, it is necessary to tackle the dual clustering problem in distributed databases. The DCAD algorithm is proposed to solve this problem. DCAD consists of two levels of clus- tering: local clustering and global clustering. First, clustering is conducted at each local site with a local clustering algorithm, and the features of local clusters are extracted. Second, local features from each site are sent to a central site where global clustering is obtained based on those features. Experiments on both artificial and real spatial datasets show that DCAD is effective and efficient.     

一种顾及障碍约束的空间聚类方法

为了使得空间聚类分析更加适应实际情况,发展了一种同时顾及空间障碍约束与空间位置邻近的空间聚类方法。该方法采用Delaunay三角网描述实体间的邻近关系,并且不依赖用户指定参数。实验验证了本方法的有效性与优越性。     

空间数据模糊聚类的有效性评价

基于模糊划分中存在的分类不确定性因素和空间数据的空间位置特征,提出了一种新的空间数据模糊聚类有效性函数。实验结果表明,这种新的有效性函数能够对模糊聚类结果的有效性进行正确的评价,特别是对于空间数据模糊聚类有效性评价,其分类效果较理想,同其他有效性指标相比,能得到较优的分类数。     

An adaptive dual clustering algorithm based on hierarchical structure: A case study of settlement zoning

Traditional dual clustering algorithms cannot adaptively perform clustering well without sufficient prior knowledge of the dataset. This article aims at accommodating both spatial and non‐spatial attributes in detecting clusters without the need to set parameters by default or prior knowledge. A novel adaptive dual clustering algorithm (ADC+) is proposed to obtain satisfactory clustering results considering the spatial proximity and attribute similarity with the presence of noise and barriers. In this algorithm, Delaunay triangulation is utilized to adaptively obtain spatial proximity and spatial homogenous patterns based on particle swarm optimization (PSO). Then, a hierarchical clustering method is employed to obtain clusters with similar attributes. The hierarchical clustering method adopts a discriminating coefficient to adaptively control the depth of the hierarchical architecture. The clustering results are further refined using an optimization approach. The advantages and practicability of the ADC+ algorithm are illustrated by experiments on both simulated datasets and real‐world applications. It is found that the proposed ADC+ algorithm can adaptively and accurately detect clusters with arbitrary shapes, similar attributes and densities under the consideration of barriers.     

空间层次聚类显著性判别的重排检验方法

同时顾及空间邻近与专题属性相似的空间层次聚类是挖掘空间分布模式的一种有效手段。空间层次聚类方法虽然可以获得多层次的聚集结构,但聚类结果显著性的统计判别依然是一个尚未解决的难题。为此,本文提出了一种空间层次聚类结果显著性的统计判别方法,用于确定空间层次聚类的停止准则,减少聚类过程对参数设置的依赖。通过试验分析与比较发现,该方法能够有效判别空间层次聚类结果的显著性和确定层次聚类合并过程的停止条件,同时具有很好的抗噪性,避免随机结构的干扰。     

基于自组织神经网络的空间点群聚类及其应用分析

探讨了采用自组织神经网络进行离散空间点群聚类的原理、方法及应用分析,提出了一种兼顾几何距离和属性特征的广义Euclid距离,并将其作为聚类统计量.并以实例验证了采用自组织空间聚类进行空间点群的数据分类、异常数据检验、均质区域划分等是有效的.