空间知识挖掘的自然面群聚集度聚类方法

空间聚类是挖掘空间知识的重要手段之一.针对现有方法难以处理几何、分布特征差异大的面群聚类问题,本文提出了一种面要素分布密度的描述参数—聚集度,并设计了一种自然面群聚类方法.首先,分析了面要素分布密度的影响因子,定义了聚集度的概念,设计其计算方法并验证其有效性及优势;然后,基于聚集度和边界最短距离建立相邻面从属关系,识别...     

顾及密度对比的多层次聚类点群选取方法

在语义信息缺乏的情况下进行点群选取是制图综合的难点之一。提出了一种新的通过多层次聚类进行点群选取的方法。首先,针对k-means聚类算法的不足,利用改进的密度峰值聚类算法实现点群自动聚类,主要表现为用基尼系数确定最优截断距离及用局部密度和相对距离的关系自动确定聚类中心。其次,提出一种顾及密度对比的选取策略,通过点群多层次聚类,将点群划分成不同等级的簇,确定不同等级的聚类中心,建立点群的层次树结构;依据方根定律计算的选取数量,按照各级别簇的点数比例,自上而下逐层分配待选取点数,确定选取对象,实现点群的自动选取和多尺度表达。对不同分布模式的点群进行实验,验证了该方法的普适性和有效性。     

基于聚类有效性函数的面状地理实体聚类

为解决聚类数未知条件下面状地理实体的聚类问题,文中提出了一种基于聚类有效性函数的聚类方法。给出了适合面状地理实体k-中心点聚类算法的聚类有效性函数;将该有效性函数改写为适应度函数,设计了基于遗传算法的面状地理实体聚类算法。该算法在计算聚类数的同时能得到划分聚类结果。实验结果从一定程度上反映了数据集的结构信息特征。     

基于聚类有效性函数的面状地理实体聚类

为解决聚类数未知条件下面状地理实体的聚类问题,文中提出了一种基于聚类有效性函数的聚类方法.给出了适合面状地理实体k-中心点聚类算法的聚类有效性函数;将该有效性函数改写为适应度函数,设计了基于遗传算法的面状地理实体聚类算法.该算法在计算聚类数的同时能得到划分聚类结果.实验结果从一定程度上反映了数据集的结构信息特征.     

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。     

一种建筑物只能聚类方法

建筑物聚类是大比例尺地图自动制图综合中需要解决的关键问题。通过分析Gestalt原理的邻近性、相似性等,采用建筑物重心、建筑物间的距离、建筑物与邻近线状地物要素间位置关系等参数描述建筑物。本文提出的建筑物智能聚类方法包含两个连续的步骤:首先计算建筑物的描述参数,利用SOM网络的聚类能力,进行建筑物的初步聚类;然后,利用SOM竞争层行列扫描的方法,对初步聚类的建筑物类簇进行精确划分,获得满足建筑物聚类的全局和局部约束条件等制图要求的建筑物聚类群组。     

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。     

特征分类与邻近图相结合的建筑物群空间分布特征提取方法

建筑物群综合过程中需要对建筑物群空间分布特征进行认知和识别。本文在分析国内外相关研究的基础上,从描述建筑物空间特征的大量指标中,利用主成份分析方法,总结并提出了有代表性的建筑物空间特征指标集:凸包面积、紧密度IPQ指标、边数和最小面积外接矩形方向,并基于这些指标研究了建筑物群的分类。在利用最小生成树邻近图(MST)划分建筑物空间子群时,考虑了建筑物成群与所处地理环境(河流和道路等因素)的关系。另外,基于最邻近图(NNG)、MST、相对邻近图(RNG)和Gabriel图(GG)4种建筑物群邻近图,提出了自动识别具有特定空间排列建筑物子群的方法,并比较分析了识别结果的影响因素和可用性。最后,选择北京某地区建筑物群为试验对象,实现了对建筑物群的分类和空间聚类,并提取了其中直线型空间排列的建筑物子群。     

基于簇分解的面状地理实体聚类

针对未知聚类数的面状地理实体聚类问题,本文提出了一种基于遗传算法求最优分割解的簇分解聚类算法,分析了算法的特性,以实验验证了算法的各项性能指标。     

基于栅格距离变换的扩展对象空间聚类方法

空间聚类是空间分析和空间数据挖掘的重要方法和研究内容。在地图代数中,通过建立栅格坐标与距离平方对应的栅格平方平面!计算栅格空间的最短距离,实现栅格距离变换。以栅格空间距离变换为基础,通过提取特征等距线,揭示简单的空间点集聚类过程,并将这种算法扩展到点$线$面实体混合分布空间!以及加权距离以及障碍空间的空间聚类,算法分析表明该算法简单、合理。     

顾及距离与形状相似性的面状地理实体聚类

与点状地理实体不同,面状地理实体不仅具有位置特征,还具有形状特征。对于面状地理实体而言,仅考虑距离因素设计聚类准则是不全面的。综合考虑距离和几何形状相似性来设计聚类准则,实现了相应的聚类算法。实验证明,该算法适合面状地理实体的聚类分析。     

顾及功能语义特征的建筑物空间分布模式识别方法

本文从空间-语义双重约束角度,提出一种顾及空间邻近和功能语义相似的建筑物空间分布模式识别方法。首先,基于建筑物的空间位置邻近性(即建筑物间的最小距离)约束进行聚类,获得建筑物的空间分布模式和建筑物间的空间邻近关系;然后,根据建筑物的功能语义相似性约束进行分割,获得建筑物的初步聚类结果;最后,考虑簇内相似性与簇间差异性进行整体优化,获得最终聚类结果。试验验证表明,本文方法比现有方法能够更有效地识别空间邻近与功能语义一致的建筑物群,服务于智慧城市建设中对建筑物进行语义层次综合和对城市结构进行深入研究的需求。     

一种基于重排检验的时空聚类方法

融合时空邻近与专题属性相似的时空聚类是挖掘地理现象时空演化规律的重要手段。现有方法需要的聚类参数许多难以获取,影响了聚类方法的可操作性与聚类结果的可靠性。提出一种基于重排检验的时空聚类方法。首先,通过重排检验发现时空数据集中的均质子区域;进而,采用均方误差准则合并均质子区域内的时空实体生成时空簇,并通过簇内重排检验自动识别聚类合并的终止条件;最后,借助时空拓扑关系在保证结果精度的前提下发展一种快速重排检验的方法,提高了聚类方法的运行效率。通过实验和比较发现,该方法一方面可以发现不同形状、大小的时空簇,聚类质量优于经典的ST-DBSCAN方法;另一方面聚类过程中人为设置参数的主观性显著降低,提高了聚类方法的可操作性。     

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.     

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。     

顾及方向关系的农村居民地聚类方法

农村居民地空间分布具有独特的规律性和复杂性,Voronoi图在表达居民地分布特征方面有显著优势。针对当前空间聚类较少考虑实体方向关系的问题,基于Voronoi图提出一种顾及方向关系的农村居民地聚类方法。首先,构建距离约束的Voronoi图,并构建居民地实体间的Voronoi邻近图;然后,利用无向特征与有向特征来综合评价居民地实体间的聚集强度;最后,消除聚集强度小于阈值的实体对的邻近关系,得到聚类结果。采用浙江省宁波地区部分农村居民地数据进行实验,结果表明,所提方法能够有效聚类不同分布模式的居民地,聚类结果符合人的认知习惯。     

基于邻近图的点群层次聚类方法的研究

空间聚类是点状空间目标群在地图综合中必须解决的问题。分析点群的几种常用邻近图的特征及其层次关系,并基于原始的点集合生成的DT构建相应的GG,UG,MST和NNG,然后在所选择的密度适应性约束、距离适应性约束和偏差适应性约束这三种条件下,利用所生成的邻近图进行了点群的层次聚类。研究并改进现有的点状空间目标群的无监督层次聚类方法,并通过实例验证该算法的可行性。     

不同耕地空间聚类算法的对比分析研究

开展耕地科学分区对于耕地管理利用、种养结合、耕地集约化等方面具有重要的现实意义。本文基于CURE、K-medoid、Single link和BIRCH 4种空间聚类算法,以上街镇耕地数据为例,利用SuperMap iObjects. NET8C组件开展耕地空间聚类对比分析研究,并采用轮廓系数,从凝聚度和分离度的角度比较各种耕地聚类算法的合理性,进而得到耕地的最佳空间聚类结果,以期为区域耕地资源科学配置和优化提供科学依据。     

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。