超谱遥感图像快速聚类无损压缩算法

K-means聚类要求每个像素要和所有聚类中心求欧氏距离，当聚类数很多时，这是一个相当耗时的工作。改进的K—meam聚类算法根据历史聚类结果进行初始类分割，即节约初始聚类时间，又能使历史聚类过程中形成的类间稳定关系得以保持；类内像素只和相邻的聚类中心计算距离进行聚类，随着算法的迭代进行，大量类的状态基本固定，使得聚类速度不断加快。基于改进K-means聚类的无损压缩算法具有充分利用历史聚类成果和收敛速度快的特点，通过提高类内像素冗余度，最大限度消除谱间冗余和空间冗余。采用多次聚类压缩的结果预测最佳聚类数的方法，可实现最小熵无损压缩。通过和DPCM算法概率模型的熵值比较及实验数据的分析，验证了基于聚类无损压缩效率比不聚类无损压缩效果更优。     

中心均匀化密度峰值聚类的激光点云分割

针对常规的密度峰值聚类算法在确定数据聚类中存在聚类中心的重复性、聚类不稳定、不适用于三维点云分割等问题,提出了中心均匀化聚类群融合算法.该算法对局部密度和距离函数进行归一化处理,较好地解决了这两种函数尺度不一的问题;基于局部密度和距离函数乘积的变化率来确定聚类中心,并对重复或距离很近的聚类中心进行了消除,避免了聚类中心非均匀分布对聚类的影响;利用数据点到聚类中心距离逐个确定每个数据的聚类归属,依据邻近聚类数据群之间的距离来判断邻近聚类之间的融合,实现对点云数据的有效分割.基于二维离散数据聚类及不同分辨率点云数据分割的实验结果表明:所提算法不仅适用于二维离散数据的聚类,也适用于三维点云数据的分割,且分割精度和稳定度要优于常规的CFDP、K-means、DBSCAN、DPC聚类算法和深度学习方法.     

基于改进K-means算法的WiFi室内定位方法研究

针对传统K-means聚类算法存在初始聚类中心和聚类数目随机性问题,使得分类不准确,结果为局部最优解,本文提出通过利用数据特性构建参数筛选初始聚类中心,选择改进后的聚类评价函数,使得聚类结果全局最优。实验表明,改进后的K-means算法应用于WiFi指纹定位方法可以有效改善定位精度和定位效率。     

武汉市公共自行车配置优化方法

采用引力可达性模型、胡弗模型对武汉市公共自行车配置现状进行分析发现,武汉市中心城区站点分布密集的区域可达性较好,约为10%～30%;站点分布稀疏或几乎没有站点的远城区可达性较差,在10%以下。针对武汉市公共自行车配置不均衡的现状,结合站点与POI点距离、可达性以及人均车辆数,提出了新增站点的选址方案,并对其适宜性进行验证,以期为公共服务设施选址和布局优化提供一定的参考。结果表明,新增站点后整体可达性指标均值约为43%,1 000 m范围内整体人均车辆数增幅10%以上,扩大了覆盖服务范围。     

基于共享单车时空大数据的细粒度聚类

针对传统上单独采用K-means或DBSCAN等方法对共享单车位置数据聚类时造成的聚类结果与真实的聚类结构不符的问题,本文提出了一种基于共享单车时空大数据的细粒度聚类方法(FGCM)。该方法通过DBSCAN进行初始聚类,并在此基础上采用GMM-EM算法进行细部聚类,以提取细粒度层级的热点区域。试验表明,该方法可根据密度阈值排除噪声和离群值,无需指定细部聚类簇数,簇的形状和大小比较灵活。在对共享单车大数据位置特征进行聚类时,与传统的单独采用K-means或DBSCAN的方法相比,FGCM具备更高的精细程度,能够充分展现共享单车的实际聚集特征,可用于规划共享单车电子围栏等设施,在不降低通勤效率的基础上规范共享单车的停放问题。     

非监督分类中初始聚类中心法的比较研究

遥感影像的非监督分类中，初始聚类中心的选取对分类过程和分类结果具有重要影响，好的初始聚类中心法既能提高分类的效率又能提高分类的精度。选取类间距离和类内标准差作为评价标准对现有的几种初始聚类法进行比较。结果表明，最大最小距离选心法具有较高的分类精度，但是效率较低；而基于均值标准差定心法精度较低，但效率较高。     

自组织神经网络在遥感影像分类中的应用研究

竞争学习网络与Kohonen神经网络相比,由于不考虑邻域神经元,其网络结构相对简单。采用这种简化的网络结构,并对其学习算法进行改进,用最大、最小距离法设置的初始聚类中心来代替随机初始中心。实验结果表明,用改进的竞争学习网络对遥感影像进行非监督分类,在分类精度和效率上都有较大的提高。     

元启发式算法在校车路径规划中的应用

将单个学校校车路径问题抽象为开放式车辆路径问题,基于元启发式算法框架求解校车最优路径。假设所有校车从同一停车场出发,最终到达学校,首先利用改进的节约算法在全局范围内产生初始解,再用模拟退火算法通过4种局部交换策略获得最优解。100次模拟实验结果表明,在93%的情况下,改进后的元启发式算法框架比ArcGIS 10的VRP求解的最优路径总距离短,且计算效率明显提高。     

一种基于属性值变化程度定权的聚类算法

针对经典K-means聚类算法以欧氏距离作为相似度判断法则进行聚类划分,而未考虑聚类对象的各属性值对聚类划分的影响程度存在差异的问题,该文提出了一种基于属性值变化程度定权的聚类算法。通过采用Iris dataset数据进行实验,该算法相对于其他聚类算法获得了更好的聚类效果,且该算法适用于生物物种分类、遥感影像识别等工作领域,能提高聚类运算的精准度。     

基于密度的加权K-Means算法

K-Means算法是比较流行的局域聚类算法,但由于其存在需要输入聚类数目以及对初始聚类中心敏感等缺陷,本文提出了一种基于密度的加权K-Means聚类算法来初始化聚类中心。该算法定义了点的密度函数和聚类中心函数,通过一定评价函数获取聚类中心。该方法获取的聚类中心不仅周围密度比较大,而且各个聚类中心之间相关性比较小,从而有效的减少了聚类时间,提高算法效率。     

校车最优路径规划算法

提出一个基于GIS网络分析的校车路径方案规划算法。算法采用Dijkstra最短路径算法结合道路网络拓扑分析。以高效利用各种资源为目的,通过限制搜索范围提高算法效率,并用空间分析选择最佳起始节点,计算将学区内路网上各乘车节点处的学生送至学校的最优路径方案。实验结果验证了该算法的高效性和有用性。     

Joint distribution of distances to the first and the second nearest facilities

This paper derives the joint distribution of the distances to the first and the second nearest points for regular and random patterns. Distance is measured as the Euclidean and the rectilinear distances on a continuous plane. The joint distribution extends the kth nearest distance distribution of previous works. The kth nearest distance distribution only shows how the distance to the kth nearest point is distributed, whereas the joint distribution provides the relationship between the distances. An application of the joint distribution can be found in a facility location problem with non-closest facility service where the distance to the second nearest facility is also important. The joint distribution that allows us to examine the first and the second nearest distances simultaneously is useful for evaluating the reliability of facility location when some of the existing facilities are closed. The joint distribution of the road network distances is also obtained to confirm that the model on a continuous plane can be applied to actual road networks.     

利用居民地聚类和缓冲区分析完善道路网眼

对于十分规则的道路网(城市道路)来说构造网眼是十分容易的,且得到的道路网眼完整性较高,然而对于乡村道路,由于数据采集习惯或数据质量的影响,道路在居民地附近容易断开,导致计算机不能构造完整的网眼。本文针对这个问题,提出了利用居民地聚类和缓冲区分析的方法辅助道路网眼的构建,从而提高了乡镇郊区道路网眼的完整性,为采用网眼合并的方式进行综合的方法,以及各种基于网眼的空间分析提供了有效支撑。     

多类智能终端基于灰色关联度的WKNN定位效果分析

为了解决WiFi指纹定位中遇到不同智能终端定位时产生的定位精度下降问题,针对多类智能终端情况,研究了以灰色关联度替代欧氏距离的改进加权K最近邻算法(WKNN)的改进效果,并进行了不同设备的定位实验。结果表明,对多类智能终端进行WiFi定位时,相较于传统WKNN算法,基于灰色关联度的改进WKNN算法在定位精度和普适性上均有很大提升。     

车载激光扫描数据中实线型交通标线提取

本文提出一种基于路面点云强度增强的车载激光点云实线型交通标线提取方法。首先通过预处理提取路面点云，获取各激光点与轨迹线的距离。然后逐段对路面进行强度增强，集合多滤波器集成的策略进行强度变换和去噪，消除距离、点密度、磨损等因素对反射强度值影响，增强路面点云和标线的强度差异。基于增强后的反射强度，采用k均值聚类和连通分支聚类等方法对标线进行分割，并利用归一化图割方法优化强度分割结果。最后利用实线型标线的语义信息和空间分布特征从分割后标线对象中识别实线型交通标线。试验采用四份不同车载激光扫描系统获取的数据用于验证本文方法有效性，实线型标线提取结果的准确率达到95.98%，召回率达到91.87%，综合评价指标F₁-Measure值达到95.55%以上。试验结果表明本文方法能够有效增强受扫描距离、路面磨损及点密度分布不均等因素影响的点云强度信息，实现不同车载激光扫描获取的复杂道路环境下实线型交通标线的提取。     

路网环境下的混合数据最近邻查询算法

路网环境下的k最近邻查询方法在地理信息系统、智慧城市、数据挖掘、医疗营救和物流配送等领域都有着较为重要的作用,已有路网环境下的最近邻查询方法无法直接解决查询对象为点而数据对象为点和线段混合的复杂数据的近邻查询问题,为了弥补已有方法的不足,提出了路网环境下混合复杂数据的最近邻查询算法。将查询过程分为预处理、数据集约减和数据集精炼3个部分,并与3种对比算法进行对比实验,研究了测试数据对象的数量、路网规模的大小对中央处理器运行时间以及输入/输出代价的影响。结果表明,所提算法能有效地处理路网环境下混合数据的最近邻查询问题。     

城市公交乘客下车站点推算方法和有效性评价

特大型城市的公交车上普遍安装了自动售票（auto fare collection,AFC）系统和车载GPS导航定位设备,记录了乘客出行与行车轨迹、时间等数据,连续运行的公交车和众多的出行乘客形成了城市公共交通运行和出行大数据。如何高效、准确地从公交大数据中识别公交乘客下车站点,对于提高交通运行效率、科学布局组织交通具有重要的意义和作用。基于深圳市公交车AFC和GPS数据,利用时间匹配和基于带噪声空间密度聚类的方法判别上车站点;在仅有的公交数据基础上,通过分析乘客出行行为,根据乘客多天的出行以及各站点的上车频率,利用乘客高频站点和下游站点吸引权,提出一种推算方法,实现乘客下车站点的推断。算法模型的检验和实例分析表明该方法的有效性。     

顾及地形起伏的步行最优路径分析算法

将行人的生理因素与GIS路径分析有机结合起来,根据生理学研究进展,建立了步行体能消耗计算模型,并提出了基于坡度转换的等效水平距离计算原则,从而将三维空间距离转换为等体能消耗平面距离,实现了顾及地形起伏的最优路径算法。实验结果表明,该算法具有兼顾坡度与距离关系的优势,提高了路径分析方法的有效性。     

ST-CFSFDP:快速搜索密度峰值的时空聚类算法

时空聚类算法是地理时空大数据挖掘的基础研究命题。针对传统CFSFDP聚类算法无法应用于时空数据挖掘的问题,本文提出一种时空约束的ST-CFSFDP(spatial-temporal clustering by fast search and find of density peaks)算法。在CFSFDP算法基础上加入时间约束,修改了样本属性值的计算策略,不仅解决了原算法单簇集多密度峰值问题,且可以区分并识别相同位置不同时间的簇集。本文利用模拟时空数据与真实的室内定位轨迹数据进行对比试验。结果表明,该算法在时间阈值90 s、距离阈值5 m的识别正确率高达82.4%,较经典ST-DBCSAN、ST-OPTICS及ST-AGNES聚类算法准确率分别提高了5.2%、4.2%和7.6%。     

一种改进型曲线光滑算法

本文改进了线性迭代方法并进一步结合五点法提出一种新型曲线光滑解决方案,从而满足不同应用要求.新算法在保持前两种算法简单、速度快等优点的同时,克服了线性迭代法生成曲线不能通过已知数据点的弱点,能保证生成曲线严格通过所有已知数据点并保持一阶连续,而且一定程度上避免了五点法生成曲线“之”字形自相交的弊端,并可根据不同具体应用...