基于格式塔视觉识别原则的面状居民地群组研究

基于格式塔视觉识别原则,结合空间聚类方法的居民地群组方法,通过构建Delaunay三角网建立视觉认知距离计算模型,并拟合了视觉认知距离的计算公式,将该视觉认知距离作为约束条件进行基于邻近图的层次约束空间聚类,实验得到了更加符合视觉认知的面状居民地群组聚类结果。     

基于空间加权距离的自适应Fuzzy C-Means算法研究

空间聚类不仅应考虑GIS对象属性特征的相似性,还应考虑对象的空间邻近性。不同属性、位置特征在聚类中起到的作用不同。采用信息熵方法计算空间距离中各属性距离、位置距离的权重,权值大小用于度量相应特征在fuzzy c-means隶属度计算时的作用大小,并引入相似性指标,当两个聚类之间的相似度高于某个合并阈值时,则对应的一对聚类进行合并,从而克服需预先设置聚类类数的问题。通过应用实例的聚类有效性分析,与普通空间距离相比,基于空间加权距离的FCM算法具有稳定性和有效性。     

空间点群目标相似度计算

顾及到视觉认知的Gestalt原则,提出了一种综合考虑到点群的空间关系、空间分布和几何特征,注重空间点群的整体描述的相似度计算模型。实验结果表明,相似度计算结果与直观认知比较一致。     

尺度驱动的空间聚类理论

空间聚类是探索性空间数据分析的有力手段,不仅可以直接用于发现地理现象的分布格局与分布特征,亦可以为其他空间数据分析任务提供重要的预处理步骤。空间聚类有望成为大数据认知的突破口。空间聚类研究虽然已经引起了广泛关注,但是依然面临两大最根本的困境:"无中生有"和"无从理解"。"无中生有"指的是:绝大多数方法,即使针对不包含聚类结构的数据集,仍然会发现聚类;"无从理解"指的是:即使同一种聚类方法,采用不同的聚类参数就会获得千变万化的聚类结果,而这些结果的含义不明确。造成上述困境的根本原因在于:尺度没有在聚类模型中被当作重要参数而恰当地体现。为此,笔者受到人类视觉多尺度认知原理的启发,根据多尺度表达的"自然法则",建立了一套尺度驱动的空间聚类理论。首先将尺度定量化建模为聚类模型的参数,然后将空间聚类的尺度依赖性建模为一种假设检验问题,最后通过控制尺度参数以自动获得统计显著的多尺度聚类结果。在该理论指导下,可以构建适用不同应用需求的多尺度空间聚类模型,一方面降低了空间聚类过程中的主观性,另一方面有利于对空间聚类模式进行全面而深入的分析。     

基于最短欧氏距离的空间点集聚类的栅格算法

空间聚类是GIS空间分析的主要内容之一,传统矢量空间聚类算法存在数据冗余、结果不直观等弊端,地图代数栅格距离变换结果图本身就蕴涵了空间客体之间的拓扑关系,通过提取距离变换结果图不同距离值的等距线,就可以实现基于最短欧氏距离的空间对象的聚类过程,本文通过算例试验证明,该算法简单、直观、合理。     

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。     

利用GPS轨迹二次聚类方法进行道路拥堵精细化识别

针对当前在精细识别道路拥堵时空范围方面研究的不足,提出一种利用GPS轨迹的二次聚类方法,通过快速识别大批量在时间、空间上差异较小且速度相近的轨迹段,反映出道路交通状态及时空变化趋势,并根据速度阈值确定拥堵状态及精细时空范围。首先将轨迹按采样间隔划分成若干条子轨迹,针对子轨迹段提出相似队列的概念,并设计了基于密度的空间聚类的相似队列提取方法,通过初次聚类合并相似子轨迹段,再利用改进的欧氏空间相似度度量函数计算相似队列间的时空距离,最后以相似队列为基本单元,基于模糊C均值聚类的方法进行二次聚类,根据聚类的结果进行交通流状态的识别和划分。以广州市主干路真实出租车GPS轨迹数据为例,对该方法进行验证。实验结果表明,该二次聚类方法能够较为精细地反映城市道路的拥堵时空范围,便于管理者精准疏散城市道路拥堵,相比直接聚类方法可以有效提升大批量轨迹数据的计算效率。     

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。     

基于中心点距离的居民地面要素聚类

空间聚类是将空间实体根据某些相似的特性聚类成为一个集合,这个集合称为簇。本文研究了一种基于中心点距离的居民地面要素聚类算法:通过获取面状要素的数据,运用基于其几何中心的距离计算方法,判断面要素之间距离的可达性,并将距离小于阈值的面要素进行聚类,最终以凸包的形式将该集合绘制出来。本文的算法是在VS2010以及ArcGIS Engine开发环境下通过编程实现,并进行多组实验,实验结果表明,该应用程序可以实现居民地面要素的自动聚类。     

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。     

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.     

Polygonal Clustering Analysis Using Multilevel Graph‐Partition

Existing methods of spatial data clustering have focused on point data, whose similarity can be easily defined. Due to the complex shapes and alignments of polygons, the similarity between non‐overlapping polygons is important to cluster polygons. This study attempts to present an efficient method to discover clustering patterns of polygons by incorporating spatial cognition principles and multilevel graph partition. Based on spatial cognition on spatial similarity of polygons, four new similarity criteria (i.e. the distance, connectivity, size and shape) are developed to measure the similarity between polygons, and used to visually distinguish those polygons belonging to the same clusters from those to different clusters. The clustering method with multilevel graph‐partition first coarsens the graph of polygons at multiple levels, using the four defined similarities to find clusters with maximum similarity among polygons in the same clusters, then refines the obtained clusters by keeping minimum similarity between different clusters. The presented method is a general algorithm for discovering clustering patterns of polygons and can satisfy various demands by changing the weights of distance, connectivity, size and shape in spatial similarity. The presented method is tested by clustering residential areas and buildings, and the results demonstrate its usefulness and universality.     

矢量居民地多边形多级图划分聚类方法

针对复杂居民地多边形的信息挖掘问题,提出了一种多级图划分聚类分析方法,构造居民地多边形的图模型,并通过对图模型进行粗化匹配与重构、初始化分和细化得到聚类结果.首先构建研究区域内居民地建筑物的Delaunay三角网,生成包含研究对象之间的邻接信息图;然后结合空间认知准则和人类认知的特点,采用形状狭长度、面积比、凹凸性、距...     

多源矢量空间数据可用性评估的可视分析

本文将可视分析引入到多源矢量空间数据可用性评估中,为用户提供探索发现数据可用性的环境。在论证可行性的基础上,制定了多源矢量空间数据可用性评估可视分析应遵循的基本原则。在反映多源空间数据的同时,根据用户需求确定评估内容,触发相应模型计算并可视化表达,将用户需求、人脑认知通过交互界面和计算机算法模型相结合,允许用户按照自身需求了解不同数据的各种信息,帮助用户发现隐藏在数据中的知识,进而制定科学合理的数据使用方案。     

空间对准关系及其定量描述方法

空间对准是最基本的空间排列形式之一,属于高层次的空间关系概念。根据Gestalt心理学的空间认知原理,提出空间对准的概念及其定量描述和计算方法。通过定义正对投影长度比,实现空间对准的定量描述与计算,表明其具有平移、旋转、尺度不变性,弱反身性,不可传递性等。通过模拟实验分析和城市双线道路识别与建筑群直线模式识别两个真实案例,证明文中方法的实用性和有效性。     

国外地图符号表示差异研究

列举不同国家地图符号表示差异的基础上,确定从视觉变量理论的角度出发对地图符号表示差异进行研究.以色彩视觉变量为例,分析不同国家在色彩使用上的差异是由不同的文化观念造成的.在此基础上探究不同国家地图符号上的差异来源于地图设计者的空间认知能力,即认知结构上的差异.文中设计了地图符号对照表,以此建立国外地图符号与我国符号的对应关系,易于操作,直观明了.     

土地利用数据综合中的聚合与融合

针对土地利用图中多边形地块具有全覆盖、无重叠、语义上多层次的特点对土地利用数据综合中的地块合并给出了多边形聚合与多边形融合两种操作；前者针对具有同属性的语义邻近地块的合并，后者针对不同属性的拓扑邻近地块的合并；两种操作的区分是基于同时顾及空间、语义特征的邻近分析，算法的实现均建立在Delaunay三角网模型上由骨架线支持；详细讨论了两种操作的算法过程并给出了实际数据的实验结果。     

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。     

实景地图的空间认知研究

介绍实景地图的概念,讨论实景地图的空间认知过程和空间认知效果。实景地图遵循地图空间认知的一般过程,但其"亲历式"的感知过程符合人类视觉和记忆习惯。实景地图对位置认知效果较差,对方向认知效果一般,对距离、对象认知效果较好。与二维电子地图和虚拟地理环境相比,实景地图在真实性、信息量、感知度方面存在优势,而在视角和空间感方面劣势明显。