一种基于网格的空间聚类方法在区域划分中的应用

区域划分是依据人口和社会经济指标将行政统计单元或其他地理实体划分成若干个不同水平或类别的集合。由于大多数的人口和社会经济指标来源于面状数据-行政统计单元,常用的区域划分的空间聚类方法是基于面状数据的,本文通过分析现有面状数据的聚类算法特点和不足,进而提出一种新的算法,该方法提出将面状统计单元进行网格划分,引入基于网格密度聚类算法的思想,克服现有面状聚类的诸多缺点,打破行政区划的限制,更好地发现潜在信息。     

多源数据融合的高时空分辨率植被指数生成

高时空分辨率的植被指数VI(Vegetation Index)数据是农业和生态研究的重要基础数据集,目前常用的VI数据的时空分辨率存在不可调和矛盾。考虑VI时序变化对数据融合的影响,提出一种新的VI数据时空融合模型VISTFM(Vegetation Index Spatial and Temporal Fusion Model),VISTFM采用模糊C聚类算法,对存量时序VI数据按土地利用类型划分为若干子类,从高低分辨率影像中随土地覆被类的变化规律提取子类,结合低分辨率影像提取的土地覆被类变化规律融合生成高时空分辨率的VI数据。用常用的Landsat和MODIS数据验证该算法,测试表明,VISTFM能够较好的捕获VI的中间变化过程,与常用的基于线性混合模型的模型和时空自适应反射率融合模型及其改进模型相比,利用VISTFM获得的植被指数数据集具有更高的时空分辨率。     

基于集对分析的遥感图像K-均值聚类算法

基于欧式距离的K-均值聚类算法是一种硬分类(把每个待辨识的对象严格地划分到某个类中)方法,面对具有不确定性和混合像元特征的遥感图像数据,传统K-均值聚类算法很难得到满意的分类结果.为解决这一难题,将集对分析(set pair analysis,SPA)理论推广到遥感图像聚类算法,通过引入一个能统一描述同一性、差异性和对立性的同异反(identical discrepancy contrary,IDC)联系度,提出了基于IDC联系度的改进的K-均值聚类算法.该方法克服了传统K-均值算法硬分类的缺陷,可以有效地提高遥感图像聚类精度.对Landsat5 TM卫星数据的聚类分析实验表明,在含有混合像元的遥感图像地物覆盖分类中,改进的K-均值聚类方法的分类效果要优于传统K-均值聚类方法.     

k均值聚类引导的遥感影像多尺度分割优化方法

针对不同尺度地物的分割需求,提出了一种k均值聚类引导的多尺度分割优化方法。首先对原始影像进行小尺度分割和k均值聚类,然后利用k均值聚类结果引导对象合并,在合并过程中利用Otsu阈值方法自动选择k均值聚类的影响因子,最终得到适应不同尺度地物的分割结果。以FNEA多尺度分割方法为例,利用模拟数据和真实的GeoEye-1影像数据进行相关试验,目视和定量评价表明本文方法能够得到适宜不同尺度地物的高质量分割结果。     

利用手机信令数据刻画不同人物画像

本文基于微软亚洲研究院Geolife项目北京志愿者2007—2012年长时间尺度的手机信令数据,以个体为单元开展了出行类型和人物画像研究,提出了一种基于高簇聚类对用户轨迹类型进行划分,然后结合出行规律,综合考虑职业类型、年龄、爱好属性特征的人物画像刻画的方法.研究主要结论为:①本文划分了包括两点一线固定型、两点一线变化...     

基于最小平方和残差的高阶模糊联合聚类算法

目前,多数高阶联合聚类算法属于硬划分方法,不考虑聚簇重叠问题。为了更有效地分析具有重叠聚簇结构的数据,提出了一种基于最小平方和残差的高阶模糊联合聚类算法(MSR-HFCC),该算法将聚类问题转化为最小化模糊平方和残差的优化问题,推导出求解优化问题的隶属度迭代更新公式,设计出聚类过程的迭代算法。实验结果表明,MSR-HFCC算法聚类效果优于目前已有的5种硬划分高阶联合聚类算法。     

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。     

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.     

基于数据场的C均值聚类方法研究

提出了基于数据场的C均值聚类方法。引入数据场准确寻找初始中心的聚类点,根据势场分布函数,先找到k个势心,然后选择距离势心最近的样本数据,得到用数据场生成的初始中心,从而实现C均值聚类算法。该方法可以广泛地应用到空间数据的分类分级研究中。实例验证了该方法的可行性和科学性。     

一种基于属性值变化程度定权的聚类算法

针对经典K-means聚类算法以欧氏距离作为相似度判断法则进行聚类划分,而未考虑聚类对象的各属性值对聚类划分的影响程度存在差异的问题,该文提出了一种基于属性值变化程度定权的聚类算法。通过采用Iris dataset数据进行实验,该算法相对于其他聚类算法获得了更好的聚类效果,且该算法适用于生物物种分类、遥感影像识别等工作领域,能提高聚类运算的精准度。     

一种R树与格网结合的海量地铁隧道点云管理方法

为满足海量地铁隧道点云的高效处理需求,提出了一种R树与格网结合的海量地铁隧道点云管理方法。针对隧道点云的空间分布特点,在全局将大范围点云划分到格网中,并使用R树管理非空网格;在局部使用八叉树与四叉树混合的索引方法管理单个网格内的点云。为了提高点云的渲染效果,提出了基于网格面积的多细节层次结构（levels of detail,LOD）回溯构建方法,并采用高效的单文件存储方式存储点云。实验结果证明了所提出的方法在海量隧道点云的管理和可视化方面优于传统方法。     

基于共享单车时空大数据的细粒度聚类

针对传统上单独采用K-means或DBSCAN等方法对共享单车位置数据聚类时造成的聚类结果与真实的聚类结构不符的问题,本文提出了一种基于共享单车时空大数据的细粒度聚类方法(FGCM).该方法通过DBSCAN进行初始聚类,并在此基础上采用GMM-EM算法进行细部聚类,以提取细粒度层级的热点区域.试验表明,该方法可根据密度...     

An Improvement on the Clustering of High-Resolution Satellite Images Using a Hybrid Algorithm

The challenge of obtaining training data for supervised classifications of satellite images has led researchers to unsupervised algorithms, i.e. cluster analysis. Numerous researches have been conducted to improve quality and decrease uncertainty of results of this analysis. This study proposes a hybrid cost function as well as a hybrid clustering algorithm-Artificial Bee Colony optimization approach for the clustering of high-resolution satellite images. In order to evaluate viability of the proposed methodology, it is compared to some other classic clustering algorithms such as modified K-Means, K-Medoids, Fuzzy C-Means, and Kernel-based Fuzzy C-Means methods over three different study areas selected from a WorldView-2 satellite image. The Shannon entropy technique, Kappa coefficient, compactness, and separation criteria are used as quality and uncertainty indicators for the evaluation. The results of the study show that, compared to other methods, the hybrid algorithm obtained from the proposed cost function, Kernel-based Fuzzy C-Means method, and ABC algorithm provide clustering capabilities of higher quality and lower uncertainty levels.     

基于决策树的我国农业数据挖掘分析

决策树是用于分类的常用建模方法。首先对分类的概念和决策树方法分别进行了总体介绍,在此基础上对我国30个省市自治区的乡村劳动力、耕地面积以及农业总产值信息数据进行了挖掘分析,在运用决策树对数据进行分类过程中对连续数据采用聚类分析的方法进行离散化处理,从而避免了原始经验分类方法的主观性。最后,通过上述决策树分类方法,生成我国农业情况的决策树,获得相关空间分类规则,并对其进行分析说明。结果表明,决策树分类方法适合我国农业情况。     

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。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

结合均值漂移分割与聚类分析的遥感影像变化检测

针对传统遥感影像变化检测方法对前后期影像数据质量要求高、适应范围窄、检测精度较低等问题,本文在引入异常点检测思想的基础上,提出了一种结合均值漂移分割与聚类分析的遥感影像变化检测方法。首先将前期地理国情矢量数据与待监测的遥感影像进行地理配准;然后在地理国情矢量数据的基础上对遥感影像作均值漂移算法二次细分割,获得的矢量图斑继承了原有父级类属性,并对同一父级类的影像图斑进行光谱、空间、纹理、指数等特征提取;最后采用高斯混合模型与最大期望值算法聚类获得多个类别,在父级类下找出异常类别的图斑。通过试验对比分析,表明了本文方法的有效性和可靠性,为遥感影像变化检测提供了新思路。     

高光谱影像的改进K-均值监督式聚类分析方法

针对K-均值聚类存在的初始聚类中心不稳定、聚类数目难以确定的问题,提出利用正交投影散度(OPD)优化K-均值算法的初始聚类中心,设计了RD指标函数用于估计聚类数目k。将所提出的算法应用于高光谱影像特征提取与端元提取分析,实验结果表明,所提出算法的性能高于已有的类似算法。     

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。     

基于改进的模糊c-均值聚类方法遥感影像分类研究(英文)

Classification is always the key point in the field of remote sensing. Fuzzy c-Means is a traditional clustering algorithm that has been widely used in fuzzy clustering. However, this algorithm usually has some weaknesses, such as the problems of falling into a local minimum, and it needs much time to accomplish the classification for a large number of data. In order to overcome these shortcomings and increase the classification accuracy, Gustafson-Kessel （GK） and Gath-Geva （GG） algorithms are proposed to improve the traditional FCM algorithm which adopts Euclidean distance norm in this paper. The experimental result shows that these two methods are able to detect clusters of varying shapes, sizes and densities which FCM cannot do. Moreover, they can improve the classification accuracy of remote sensing images.