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。     

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。     

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。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

顾及超像素光谱特征的无人机影像自动模糊聚类分割法EI北大核心CSCD

针对现有流行模糊C均值聚类在影像分割中存在边界依附能力弱,分割不稳定及需要手动设置聚类数目等问题,提出一种顾及超像素光谱特征的无人机影像自动模糊聚类分割方法。相对于传统分水岭变换算法,该方法首先采用两步边界推进准则,生成轮廓更加精确、形状规则更加紧凑的超像素子区域;然后,提取子区域光谱特征并结合重缩放密度峰值算法自动获取聚类数目;最后,综合利用超像素光谱特征与隐式马尔可夫随机场思想对模糊聚类进行改进,实现超像素精确合并。通过两组影像数据的定性分析和定量评价表明,本文方法能准确定位目标边界,获得较好的视觉分割结果,同时有效提高了影像分割精度。     

一种云模型和期望最大聚类的遥感影像分割算法

为解决遥感影像分割中存在的不确定性问题和传统层次聚类算法中存在的时间复杂度高、缺乏可再分性等缺陷,基于云模型和期望最大聚类提出了一种新的遥感影像分割算法。该算法首先使用峰值法云变换从影像中抽取底层概念,然后通过EM算法对底层概念进行聚类,最后通过极大判别法完成遥感影像分割。实验证明,EM算法进行概念聚类能够快速地将概念分类为指定个数,并估计出高阶云概念的数学特征,相比于传统的基于云模型的遥感影像分割算法具有更好的分割效果。     

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。     

应用于遥感图像分割的原型提取谱聚类集成算法

针对遥感图像数据量大、类别归属复杂的特点,提出了一种用于遥感图像分割的原型提取谱聚类算法。该算法首先采用广义模糊c-均值聚类算法对遥感图像进行过分割,将得到的聚类中心作为每个分割区域的代表点;然后,通过构造代表点之间的相似性矩阵,利用谱图划分方法对代表点进行聚类;最后,根据代表点的聚类结果对图像像素点进行重新归类来获得遥感图像的最终分割结果。此算法涉及到3个参数,为了克服算法对于参数的敏感性和内在的随机性,进一步引入集成策略,给出了原型提取谱聚类的集成算法。     

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。     

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。     

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。     

基于空间加权距离的自适应Fuzzy C-Means算法研究

空间聚类不仅应考虑GIS对象属性特征的相似性,还应考虑对象的空间邻近性。不同属性、位置特征在聚类中起到的作用不同。采用信息熵方法计算空间距离中各属性距离、位置距离的权重,权值大小用于度量相应特征在fuzzy c-means隶属度计算时的作用大小,并引入相似性指标,当两个聚类之间的相似度高于某个合并阈值时,则对应的一对聚类进行合并,从而克服需预先设置聚类类数的问题。通过应用实例的聚类有效性分析,与普通空间距离相比,基于空间加权距离的FCM算法具有稳定性和有效性。     

空间和属性双重约束下的自组织空间聚类研究

形式化定义了双重聚类的聚类准则及其判定方法,提出了双重聚类的两步法求解思路和自组织双重聚类算法。通过实例验证了该算法的可行性,自组织双重聚类可以发现非空间属性的聚集、延伸等空间分布特征,可以发现任意复杂形状的聚类,并降低了人为影响。     

粗糙集高分辨率遥感影像面向对象分类

面向对象的高分辨率遥感影像分类已受到研究者们的广泛关注。本文提出一种基于粗糙集理论的面向对象分类方法以区分高分辨率遥感影像上的不同地物。首先,利用基于相位一致梯度与前景标记的分水岭变换进行影像分割,提取图像斑块;然后,利用Gabor小波提取斑块的纹理特征,进而根据粗糙集理论提取纹理分类规则;最后,在对象光谱特征的初步分类结果,根据纹理分类规则得到最终结果基础上。依据粗糙集理论只能处理离散属性数据,本文重点提出一种适用于面向对象分类的连续区间属性离散化方法。实验表明本文方法可取得较好分类结果与较高分类精度。     

基于卡尔曼滤波和改进DBSCAN聚类组合的GPS定位算法

实时获取智能移动终端的地理位置信息是增强现实(AR)实景智能导航系统实现的关键,为了提高智能终端GPS定位的精度,提出了一种基于卡尔曼滤波与改进的具有噪声的基于密度的聚类方法(DBSCAN)结合的GPS组合定位优化方法.通过对GPS系统采集到的位置坐标数据进行卡尔曼滤波,去除较大的数据波动,控制定位误差范围,采用DBS...     

自适应差分进化的遥感影像自动模糊聚类方法

遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。     

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。     

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。     

An adaptive dual clustering algorithm based on hierarchical structure: A case study of settlement zoning

Traditional dual clustering algorithms cannot adaptively perform clustering well without sufficient prior knowledge of the dataset. This article aims at accommodating both spatial and non‐spatial attributes in detecting clusters without the need to set parameters by default or prior knowledge. A novel adaptive dual clustering algorithm (ADC+) is proposed to obtain satisfactory clustering results considering the spatial proximity and attribute similarity with the presence of noise and barriers. In this algorithm, Delaunay triangulation is utilized to adaptively obtain spatial proximity and spatial homogenous patterns based on particle swarm optimization (PSO). Then, a hierarchical clustering method is employed to obtain clusters with similar attributes. The hierarchical clustering method adopts a discriminating coefficient to adaptively control the depth of the hierarchical architecture. The clustering results are further refined using an optimization approach. The advantages and practicability of the ADC+ algorithm are illustrated by experiments on both simulated datasets and real‐world applications. It is found that the proposed ADC+ algorithm can adaptively and accurately detect clusters with arbitrary shapes, similar attributes and densities under the consideration of barriers.