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。     

一种基于场论的空间异常探测方法

从空间数据场的角度,借鉴高斯势函数发展了一种新的空间异常度度量指标。进而,提出了一种基于场论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空间簇,并构建合理、稳定的空间邻近域。在此基础上,采用专题属性变化梯度修复策略减弱空间邻近域中潜在异常的影响,并利用空间异常度度量指标计算实体的异常度,从而探测空间异常。实验结果及实例证明了此方法的正确性。     

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。     

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。     

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。     

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.     

利用优化的DenStream算法进行空间数据流聚类

为了有效解决DenStream算法在空间数据流聚类应用中存在的密度空间分布不均的问题,本文提出使用相对密度比代替密度作为聚类参数,通过考虑微簇周围密度环境,降低密度分布不均对聚类的影响。同时,使用空间格网索引,方便查找周围的微簇与数据点,进而提高算法效率。最后,通过使用真实数据对优化前后的算法进行对比,验证了优化后的算法在继承DenStream算法优点的基础上,有效地避免了密度空间分布不均的问题。     

一种基于似最小生成树的空间聚类算法

根据空间邻近目标的距离变化情况,定义了边长变化因子概念,给出了一种似最小生成树的构建方法。在此基础上,提出了一种基于似最小生成树的空间聚类算法。模拟数据和实际数据分析发现,基于似最小生成树的空间算法能够发现任意形状的空间簇和异常点,并能够很好地适应空间数据分布不均匀的特点。通过与经典的DBSCAN算法比较,发现基于似最小生成树的空间聚类算法比DBSCAN算法更具有实用性。     

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。     

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。     

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。     

融合图论与密度思想的混合空间聚类方法

提出了一种融合图论与密度思想的空间聚类方法——HGDSC。该方法首先借助附加约束的Delau-nay三角网来建立空间实体之间的邻接关系,然后对基于密度的聚类方法进行改进,顾及空间邻近与非空间属性相似性进行聚类。特别地,该方法只需要一个输入参数。模拟数据和实际数据验证表明,HGDSC方法能够发现任意形状和密度变化的空间簇,并且可以很好地识别噪声点。