基于模拟退火的空间聚类算法

根据模拟退火具有寻求全局最优解的特性,在分析模拟退火基本理论的基础上,利用模拟退火基本思想对传统的空间聚类方法--K-means算法进行优化.然后分别对优化后的算法和传统算法进行实验分析.实验结果表明:优化后的方法以概率接受劣解的方式跳出局部极小值,从而为寻求全局的最优解提供了可能.另外,在优化过程中提出并应用了点密度的思想,使得聚类结果不受初始值影响,其执行效率也有所提高.     

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。     

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。     

GML时空聚类算法性能综述

如何选取有效的聚类算法或者扩展算法让GML数据发挥更大的作用是数据挖掘的一项重要任务。分析GML成功应用于各领域带来的一系列问题,提出研究GML数据挖掘的意义,通过研究经典的聚类算法,从算法的效率、可伸缩性、对噪声的敏感性和复杂度等多个方面对聚类算法的性能进行比较,这对GML聚类挖掘算法的设计具有积极意义。     

基于模糊推理的空间聚类方法研究

提出了基于模糊推理的空间聚类方法,给出了其实现步骤,并以实例验证了其可行性和科学性。     

一种基于局部分布的空间聚类算法

设计了一种度量邻近域内空间实体局部分布的新指标——中值角度,在此基础上,提出了一种基于空间实体局部分布的空间聚类算法。该方法递归搜索空间实体集中所有局部分布度量值相近且非离群的点,并将其聚为一类。通过模拟数据和实际数据进行实验发现,所提出的算法比DBSCAN算法的聚类结果更合理,具有很好的抗噪性,能发现任意形状的聚类。     

采用聚类技术探测空间异常

提出了一种基于聚类的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的实体集合,分别探测空间异常,给出了一种稳健的空间异常度量指标,提高了异常探测结果的可靠性。通过实例验证以及与SOM方法的比较分析,证明了该方法的正确性和优越性。     

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。     

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。     

一种基于多约束的空间聚类方法

借助Delaunay三角网构建空间邻近关系的优势,通过施加不同层次、不同类型的约束,提出一种空间聚类的新方法。通过试验分析与比较发现,该算法可以探测复杂结构的空间簇,对噪声点稳健,并且能够同时顾及实体间空间位置与专题属性的相似性。     

基于SSPG的空间聚类初始种子选择方法

提出了初始种子选取原则及其基于这个原则的“单连通最短路径图”的初始种子选择方法,能自动发现数据集种密度相对较大的区域,并根据预先设定的聚类数目自动获寥最优的初始种子集合。实验结果证明了该方法具有较高的正确性,有效提高了空间聚类效率。     

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。     

论空间数据处理与空间数据挖掘

根据现行文献中反复提到的空间数据处理内涵的理解．将空间数据处理分为空间数据处理技术和空间数据处理理论，简要论述了各自的主要内容．讨论了空间数据挖掘的现状和今后研究的重点，比较了空间数据处理与空间数据挖掘的异同。     

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。     

基于力学思想的空间聚类有效性评价

从力学的角度来考虑空间聚类问题,并结合地理学基本规律提出了一种基于力学思想的空间聚类有效性评价指标(简称SCV)。实验分析表明,本文提出的评价指标能够更准确、高效地对二维地理空间数据的硬聚类结果进行有效性评价。     

异质环境下的空间关联规则挖掘

分析了异质空间情形下的空间关联规则挖掘特征,给出了异质环境下空间关联规则挖掘的几个重要指标及计算方法。在实际中应用该方法,能有效地取得空间关联规则及由异质性导致的表现区域的差异,真实地反映事物的客观规律。     

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。