DBSCAN与Kmeans相结合的手机大数据聚类方法研究

时空大数据是目前研究的热点。如何从海量手机信令数据中获取有价值的信息是研究手机信令数据的难点。本文在基于距离的点聚合方法的基础上,提出了将基于密度聚类算法DBSCAN与基于距离聚类算法kmeans相结合的点聚合算法。采用DBSCAN与kmeans相结合的点聚合算法实现手机信令数据的可视化,不仅能避免手机信令数据在可视化时点数据的堆叠和覆盖问题,而且使得其聚合后获取数据的空间分布结构更准确。     

MSCMO：基于数学形态学算子的尺度空间聚类方法

提出了一种基于数学形态学算子的多尺度聚类方法 :首先将数据进行二值图像化处理 ,利用一次闭开运算去除噪声干扰后再利用逐步增大结构元素的闭运算构建尺度空间 ,图像内的连通单元集随着尺度上升不断融合 ,最终全部归并。将连通集覆盖下的点集归为一类 ,以上步骤就对应了一个多尺度层次聚类过程。本算法的一个最大优点是聚类个数事先无需设定 ,而被确定为跨越最多尺度 (具有最长尺度生存期 )的类别个数。此外 ,参数少、能够提取任意形状的类别、具有较强的抗噪声能力也是算法的优点。对自构建数据与地震数据的聚类实验验证了方法的有效性和实用性     

利用层次聚类对移动曲面拟合滤波算法快速分类的研究

经典移动曲面滤波算法由于算法简练,适用范围广泛且滤波效果较好,适用于多种地形。但是传统移动曲面滤波方法存在较多缺陷,如计算阈值参数难以确定、各个格网间阈值参数缺少相关性、分类主要依据高差阈值及水平距离相关性较小等缺点。文中提出层次聚类算法,将三维地形转换为二维平面,利用相邻点水平距离和高差构建数据集,进行聚类判断点云的属性,采用ISPRS提供的15组样本,定性和定量分析本算法的滤波精度。为验证本聚类算法的优越性和科学性,同时与改进型移动曲面和PTD滤波算法进行精度对比,充分说明本算法相较于其他算法的优越性和高效性。     

一种基于双重距离约束的多层次空间聚类方法

以往的双重空间聚类方法通常实现的是单一层次聚类,虽然顾及了地理实体的位置属性和专题属性,但是在实施过程中,实体的空间邻近和属性相似的表示和衡量,使用了不同的变量和标准,降低了算法的效率.文章采用双重距离作为实体间的相似性度量,通过对点实体构建的Delaunay三角网中的边施加同时顾及整体与局部特性的双重距离约束,实现了点实体的多层次空间聚类.通过实际算例分析与比较,验证了方法的有效性.     

出租车轨迹数据的频繁轨迹识别

为识别城市交通中的频繁路径,本文提出了一种出租车轨迹数据的频繁轨迹识别方法。该方法首先对轨迹数据进行轨迹压缩,以降低计算复杂度;然后基于最长公共子序列和动态时间规整算法进行轨迹相似性度量计算,利用计算得到的轨迹间相似度生成距离矩阵;最后将生成的距离矩阵结合HDBSCAN算法进行聚类得到频繁轨迹。选取厦门岛内两个区域进行试验分析,结果表明,该方法能够识别出轨迹数据集中的频繁轨迹,进而得到城市区域之间通行的频繁路径,对道路规划、路径优化与推荐、交通治理等应用提供帮助。     

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。     

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。     

改进的K-means算法在校车站点布局中的应用

校车站点布局问题是一种典型的设施选址问题。大多数设施选址问题均属于区域选址,将设施选址限定在一定空间范围内,其方法并不适用于需要将位置固定在道路上的校车站点布局问题。因此,为保证生成的站点分布在路网上,且学生到站点的步行距离较短,提出了一种改进的K-means聚类算法,以一定范围内密度最大的点为初始类中心,在逐次迭代中将类中心投影到路网上,进而聚类得到校车站点。与传统的利用最大最小距离法的改进方式进行对比发现,在相同的站点间最小间距下,基于密度法改进初始类中心的K-means算法使得学生到车站总步行距离较短,且迭代次数明显减少。该方法还可适用于超市班车站点选址、物流配送点选址等问题。     

一种顾及空间物理约束的多密度网格聚类算法

提出了一种顾及空间物理约束的多密度网格聚类算法。该算法通过对障碍物和便利体两种物理约束的数据化处理,降低了聚类的复杂度。利用既有聚类数据又有障碍物的网格单元的二次分割方式来提高聚类精度。针对不同便利体对聚类影响的差异,引入便利度概念。用网格单元密度、单元间质心的曼哈顿距离和便利度三因素来构造判别函数,判别单元间的相似关系。理论分析和实验结果表明,在有任意形状物理约束的空间中,该算法能有效地对不同形状、大小和密度的数据集聚类。     

克服双重约束的面目标位置聚类方法

面目标的聚集模式识别是空间聚类研究的重要方向之一,但因多边形几何信息和空间障碍阻隔的双重约束,目标的位置相似性难以快速而准确地计算。扩展点目标多尺度聚类方法,通过构建面目标的强度函数计算目标与邻近目标的位置聚集程度,提出了有效作用于双重约束下的面目标位置聚类法,并以判断相邻尺度下同一面目标类的强度函数阈值相等作为算法的收敛条件。经试验分析与比较发现,算法无须自定义参数,能够识别密度不均、任意形状分布,以及"桥"链接的面目标集群,同时能够准确判断障碍约束对面目标簇的阻隔和划分。     

一种多尺度自适应点云坡度滤波算法

点云坡度滤波算法原理简单、易于实现,为进一步提升坡度滤波算法的自适应性,提出了一种多尺度自适应点云坡度滤波算法.首先,在数据预处理的基础上引入虚拟网格对点云数据进行分割;然后,利用距离加权的方式逐次计算网格点的坡度角,结合k均值聚类和正态分布自适应确定滤波阈值;最后,使用多尺度策略逐级缩小网格尺寸实现点云数据的精细滤波...     

数据质量聚类算法

在聚类算法中，聚类中心决定聚类的最终结果，而传统的分割聚类算法不能准确定位聚类中心。根据数据场提出了数据质量聚类中心的新概念，给出数据质量聚类算法，能够一次定位聚类中心，无需迭代，也无需预置聚类个数。7组对比实验表明，提出的方法能够准确定位聚类中心，获得良好的聚类结果和稳定性，优于传统的分割聚类算法和峰值密度聚类算法。     

光流特征聚类的车载全景序列影像匹配方法

提出一种光流特征聚类的车载全景序列影像匹配方法.采用非参数化的均值漂移特征聚类思想,以SIFT多尺度特征匹配点的位置量和光流矢量,构建了影像特征空间的空域和值域;利用特征空间中对应的显著图像光流特征为聚类条件,实现了全景序列影像的匹配;最后以全景极线几何约束为条件进行粗差的剔除.通过相同、不同内点率以及不同数据的试验对比分析,本文方法在匹配正确点数和正确率方面要优于经典的Ransac法和金字塔Lucas-Kanade光流法,尤其在场景复杂造成的低内点率情况下,算法表现较为稳定,并可较好地剔除由重复纹理、运动物体、尺度变化等产生的匹配点粗差.     

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。     

基于数据匹配的建筑物群典型化快速算法

分析了多尺度数据库和在线综合集成的途径与网格简化技术的矛盾及改进方法．提出了基于多尺度数据匹配的建筑物群典型化算法。算法基于分治原则．将整个图面空间划分为多个分区，每个分区进而划分为多个簇，以簇为单元，支持并行计算。此方法快速有效，适于网络制图。     

基于融合和IFLICM算法的非监督遥感影像变化检测

提出了一种基于多尺度小波融合和改进的非监督模糊聚类的多光谱遥感影像变化检测方法。该算法解决了目前很多算法造成虚警率较高,而且未能充分利用像元之间空间关系的问题。首先利用二维离散小波（DWT）多尺度分解的方式来构造差异图,通过对两种小波分解系数融合的方式来抑制噪声点和突出变化区域。考虑到像元之间的空间位置信息,在融合后的基础上采用改进的模糊局部信息聚类（IFLICM）的方法得到变化检测结果。对两个时相的多光谱遥感卫星影像进行变化检测试验,试验表明基于融合的变化检测结果精度更高,并且改进后的聚类算法效果比其他聚类算法效果更好。     

时空大数据分布式增量IMSTDCA聚类方法研究

时空聚类分析是对时空大数据进行利用的一种有效手段,目前传统聚类算法存在着大规模分布数据难以处理,海量数据处理时间较长,确定参数困难,聚类质量较差等缺陷。因此,提出一种分布式增量聚类流程DICP,利用广域网分布增量聚类方法,避免大量数据的传输拷贝,有效提升聚类运算效率。对于DICP流程中的时空数据聚类算法本身,研究了一种大数据环境下的IMSTDCA时空数据聚类算法,借助密度聚类的思想,通过时空数据的聚集趋势预分析、时空数据聚类算法,以及时空数据聚类结果评价3个步骤完成聚类分析,实现时空大数据的快速高效信息挖掘。     

Classification of radio elements using mutual information: A tool for geological mapping

A broad range of current airborne gamma ray spectrometry (AGRS) applications involve environmental mapping and mineral exploration. One common goal for such applications is the development of an algorithm for reliable on line classification of radio elements. In this paper, we propose the concept of maximization of correlated information as the similarity measure for classification. In order to achieve this similarity measure, we have developed an algorithm using the concept of minimization of mutual information, which is computationally faster, and requiring less memory than the hierarchical agglomerative clustering (HAC) method. The minimization of mutual information is achieved by maximizing the correlated information of the correlation matrix. The correlated information is maximized by the determination of its lower bound using the technique of determinant inequalities developed by us. We demonstrate the robustness of our results using mutual information and its superiority over that of Ward's method of minimum variance for the aerial survey carried out in central India.     

一种基于Harris-Laplace算法的亚像素角点检测方法

为了解决Harris-Laplace检测算法的角点坐标偏移与像素级角点的问题,提出了基于Harris-Laplace算法的亚像素角点检测方法。该方法首先用原始图像与高斯函数进行卷积生成多尺度空间,在原始图像和多尺度空间图像上各自提取Harris-Laplace角点;然后以多尺度空间角点为中心向原始图像投影,统计原始图像上投影区域内的角点形成角点集群,并结合多尺度空间角点响应值对集群角点进行筛选;最后采用位置(坐标)加权平均法确定角点的精确坐标。实验结果表明,该方法能够提供稳定抗噪、尺度不变的亚像素精度角点。