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.     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

一种适应局部密度变化的空间聚类方法

研究一种适应空间局部密度变化的空间聚类算法(简称ADBSC).在该算法中,首先提出一种新的空间局部密度度量方法,即k-空间近邻最大距离,而为了表达空间局部密度变化特征,引入距离变化率概念,用于度量邻近目标间空间局部密度变化情况.然后将所有空间邻近的距离变化率小于给定变化率阈值的空间目标标记为局部密度相等,再将空间邻近的局部密度相等的空间目标聚为一类,得到空间聚类结果.并给出ADBSC算法的详细描述和计算过程.最后,通过模拟实验和实际算例,对提出的方法进行验证.结果表明,该算法能够自动适应空间位置的局部密度变化,适应不同形态的空间簇,而且比DBSCAN算法更实用.     

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。     

一种基于核距离的车辆轨迹点聚类方法

基于聚类算法进行车辆轨迹点信息提取与挖掘,在高精度车道信息提取与更新、道路拥堵时空分析与治理、用户出行线路规划与推荐等应用中具有重要意义。针对现有聚类算法的不足,提出基于核距离的车辆轨迹点聚类方法。首先给出车辆轨迹点的定义,分析车辆轨迹的几何特征和轨迹聚类的要求,然后基于核函数的概念,推导核距离的计算过程,提出核距离密度聚类算法,重定义密度聚类算法中核邻域、核心对象等概念,最后以郑州市出租车轨迹数据进行验证。实验表明,聚类算法在减少参数数量、结果沿道路中心线对称分布、降低计算时间、提取长类簇等方面具有显著优势,可以有效地实现有向轨迹点的聚类。     

一种K-均值聚类的改进算法及其应用

由于传统的K-均值聚类算法固有的特性,如对初始聚类中心的依赖性和对噪声点的敏感性,导致了其聚类结果的不稳定。文中基于k-dist图提出一种改进算法,算法首先去除数据集中的噪声点,然后从数据集中选取靠近点聚集区域、相距最远的k′个数据点作为初始簇中心。实验结果证明,文中算法能够很好地消除K-均值聚类算法对初始簇中心的依赖性,并能有效去除噪声点。     

Kmeans与Otsu相结合的MODIS云检测算法

针对Kmeans算法初始聚类中心选择及聚类结果需人工解读的问题,提出对MODIS数据(一般取波段26)使用Otsu法确定出云和非云集合,分别取两类集合中最接近均值的点作为Kmeans算法的初始聚类中心,并根据初始聚类中心的类别确定出聚类结果的类别。解决了传统Kmeans算法中初始聚类中心随机选取造成的误差和聚类结果需人工解读的问题,实现了自动云检测算法,实验结果验证了该方法的有效性。     

结合不确定度与密度聚类算法的多波束异常值自动滤波算法

本文在复现CUBE滤波算法的基础上,借鉴其网格节点可吸收水深点选取模型,提出了一种结合不确定度与密度聚类算法的多波束异常值自动滤波算法。本文使用DBSCAN密度聚类算法对水深值加以聚类,使用卡尔曼滤波推估节点水深值,选取具有最小不确定的水深假设作为节点水深值,实现对多波束测深数据异常值的有效清理。实测数据和仿真试验结果表明：CUBE滤波算法不能将连续异常值完全剔除,而本文算法能够较好地去除连续异常值。本文算法流程明晰、参数简单、性能可靠,对数据质量较差的情况下较多异常值也能够进行清理,具有实际的工程应用价值。     

签到位置数据的密度峰值快速搜索与聚类方法

位置签到数据蕴含了城市居民活动变化。由于客户端位置候选问题,不同的签到行为以同一候选位置签到时会产生位置重复现象。针对现有密度聚类方法在签到数据聚类上存在的问题,以快速搜索和查找密度峰值聚类算法(CFSFDP)为基础,提出了签到位置数据的密度峰值快速搜索与聚类方法。首先,引入位置重复频率来表达签到位置重复,然后,对原始签到位置数据点统计位置重复频率并重新设计数据结构,以新的空间点要素为研究对象寻找密度峰值点;最后,构建了峰值点密度簇聚类算法,在点要素集聚类过程中考虑密度连通性来保证峰值密度簇的连续与完整。试验表明,所提出的聚类方法有效避免了重复度较高的离群位置对象选为峰值并聚类的情况,并具有良好的空间适应性。所提取的密度峰值点不仅可以用来表示热区的中心,还能够反映热区的集中趋势,进而可以帮助探索热区的动态变化情况。     

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。     

An improved hierarchical clustering method based on the k-NN and density peak clustering

Clustering is one of the most prevalent and important data mining algorithms ever developed. Currently, most clustering methods are divided into distance-based and density-based. In 2014, the fast search and find of density peaks clustering method was proposed, which is simple and effective and has been extensively applied in several research domains. However, the original version requires manually assigning a cut-off distance and selecting core points. Therefore, this article improves the density peak clustering method from two aspects. First, the Gaussian kernel is substituted with a k-nearest neighbors method to calculate local density. This is important as compared with selecting a cut-off distance, calculating the k-value is easier. Second, the core points are automatically selected, unlike the original method that manually selects the core points regarding local density and distance distribution. Given that users' selection influences the clustering result, the proposed automatic core point selection strategy overcomes the human interference problem. Additionally, in the clustering process, the proposed method reduces the influence of manually assigned parameters.     

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。     

利用层次Voronoi图进行点群综合

通过距离权重描述点的重要程度,采用改进的k-means算法得到点群的聚类中心,进而以聚类中心为基础,构建了层次加权Voronoi图与Voronoi层次树结构.以点群的分布范围、排列方式与密度为度量,给出了基于Voronoi层次树结构的点群综合方法,确保了点群综合前后在空间形态分布上的一致性.结合地理统计学计算,对综合方法作了进一步的量化评估与优化.经验证,本文方法是可行、有效的.     

滚圆法用于空间点聚类的研究

空间点聚类依据空间点实体属性对其进行分类划分,挖掘对研究应用有价值的信息。目前,空间点聚类大多数方法能够发现多边形簇,但不能发现线状簇。针对空间点聚类现有方法在发现线状簇方面的不足,借鉴滚球法的思想,提出滚圆法用于空间点聚类的研究算法（spatial point clustering using the rolling circle,SPCURC）。针对研究区域的点实体,该算法用给定半径的圆从初始点开始按照原则进行滚动,直至满足条件为止;连接滚圆接触的点,从而形成多边形簇或者线状簇。通过模拟算例和实际算例验证了该算法的可行性。     

一种基于动态多尺度聚类的湖泊选取方法

当前湖泊选取方法多采用整体选取的形式,且难以兼顾湖泊的属性特征、分布特征和拓扑特征。通过分析和模仿制图专家人工选取湖泊的认知行为和过程,提出一种顾及分布特征和拓扑特征保持的基于动态多尺度聚类的湖泊选取方法。首先设置面积阈值以选取大面积湖泊,然后通过缓冲区选取"孤立"湖泊,接下来对湖泊群进行动态多尺度聚类来划分出湖泊分布密度不同的区域,对不同区域按开方根规律确定选取数量指标并采用不同选取策略,其中对包含湖泊数量较多的区域依据由主成分分析法定量计算出的重要性综合评价进行迭代选取,直至达到选取数量指标。实验对比表明,该方法在综合考虑重要性的前提下,有效地保持了选取前后湖泊群的形态结构和密度对比。     

基于滚球法的面要素聚合

在自动制图综合中,面要素聚合较为常用的方法是利用聚类方法将面要素聚类为若干个类簇,进而将每个类簇合并为更大的多边形图斑。针对地图制图领域的前沿研究课题——地图自动综合,该文提出了一种基于滚球法的面状要素聚合的新方法,通过实验阐述了该方法在居民地等面要素综合中的应用,并与传统的聚合算法进行了效率上的对比分析。该方法较传统的聚合方法效率上有很大提高,在大数据量聚合中有一定的应用前景,当选择合适的滚球半径进行综合时,有较理想的结果。     

基于分裂合并的多模型拟合方法在点云分割中的应用

本文基于机器视觉探讨数字摄影测量三维构像下的智能数据处理要素之二：海量点云分割处理技术。多模型拟合方法通过将点云拟合到不同模型中,依照点云空间分布特征和几何结构特征进行分割。针对点云数据量巨大、分布不均匀、结构复杂等特性,本文提出一种基于多模型拟合的点云分割方法。首先通过降采样,采用基于密度分布的聚类方法,实现对点云的预分割。在预分割基础上,利用基于分裂合并的多模型拟合方法对点云进行后续拟合分割。针对平面和弧面,本文采用不同的拟合方式,最终实现对室内密集点云分割。试验结果表明,该方法能够在无须提前设置模型数目的情况下实现点云的自动分割。且相较于现有的点云分割技术,此方法相较于现今的常规方法能取得更好的分割效果,在分割的正确率上要高于现有的常规分割方法,在处理相同数据量的点云分割时,能够达到远低于常规方法的时间消耗。通过本文提出的三维点云分割方法能够实现将大规模、复杂三维点云数据分割为较为精细、具有准确模型参数的三维几何图元,为后续实现大规模、复杂场景的精确三维构象提供有力支持。     

结合引力场理论的道路自动选取方法

针对复杂网络模型被广泛应用于道路选取的研究中,少有方法顾及道路网对偶图中多级邻居节点的影响,导致对道路的重要性评价缺乏准确性和可靠性的问题。该文将道路网对偶图节点的结构特征值视作质量,将节点间的最短距离视作距离,结合引力场方程实现道路自动选取,较好地将道路网对偶图中多级邻居节点的影响纳入到道路重要性的计算中,从而实现对道路重要性的准确评估。通过对兰州市城关区的路网进行实验,结果表明本文方法所选取的路网较好地保持了原始道路网的整体结构、覆盖范围、密度分布、拓扑特征和连通性。     

面向特征的网络空间点群要素自动综合方法

网络空间信息可视化对揭示网络空域规律、促进网络空间认知具有重要意义.将网络空间节点与拓扑关系直接可视化的视图中存在大量的点重合和线交叉,目前已有的网络节点布局算法、集束边技术、骨干网提取和网络路由拓扑多尺度表达等方法能够优化视图效果,但在网络的微观结构上,对保持网络空间点群要素的特征信息关注不够.通过分析并量化网络空间...