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.     

基于簇分解的面状地理实体聚类

针对未知聚类数的面状地理实体聚类问题,本文提出了一种基于遗传算法求最优分割解的簇分解聚类算法,分析了算法的特性,以实验验证了算法的各项性能指标。     

顾及距离与形状相似性的面状地理实体聚类

与点状地理实体不同,面状地理实体不仅具有位置特征,还具有形状特征。对于面状地理实体而言,仅考虑距离因素设计聚类准则是不全面的。综合考虑距离和几何形状相似性来设计聚类准则,实现了相应的聚类算法。实验证明,该算法适合面状地理实体的聚类分析。     

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。     

基于K-means聚类的多面函数及其在DEM内插中的应用

中心节点的位置是影响多面函数拟合精度的关键因素之一。基于聚类算法的思想,提出采用基于K—means聚类的方法选取中心点,使得构造的中心节点对数据范同内的数据得到更好的响应,从而提高拟合的精度。最后通过实例验证本方法的有效性。     

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。     

空间数据模糊聚类的有效性(英文)

The validity measurement of fuzzy clustering is a key problem. If clustering is formed, it needs a kind of machine to verify its validity. To make mining more accountable, comprehensible and with a usable spatial pattern, it is necessary to first detect whether the data set has a clustered structure or not before clustering. This paper discusses a detection method for clustered patterns and a fuzzy clustering algorithm, and studies the validity function of the result produced by fuzzy clustering based on two aspects, which reflect the uncertainty of classification during fuzzy partition and spatial location features of spatial data, and proposes a new validity function of fuzzy clustering for spatial data. The experimental result indicates that the new validity function can accurately measure the validity of the results of fuzzy clustering. Especially, for the result of fuzzy clustering of spatial data, it is robust and its classification result is better when compared to other indices.     

应用于面状地理实体聚类分析的线段链形状相似性准则

提出了一种满足旋转与平移不变性的线段链形状相似性评价方法。该方法计算简便，适用于面状地理实体聚类分析，并给出了该评价方法的实现算法，分析了参数对评价方法可能产生的影响及影响程度。     

遥感影像分类中的模糊聚类有效性研究

通过不同遥感影像对常用的模糊聚类有效性指数进行测试,检验这些指数能否适用于遥感影像分类。实验结果证明,Xie-Beni系列指数能够有效地获得遥感影像最优分类数,相对于其他模糊聚类有效性指数更适用于遥感影像分类。     

面状居民地聚类方法的对比分析

探索建筑物的空间分布模式信息是建筑物地图综合过程中不可或缺的一部分,以建筑物距离为基础,结合建筑物的大小、形状、方向3种特征因子,将多个聚类算法应用于多边形建筑物的聚类分析,并通过不同的城市街区实地数据集对多个聚类算法进行比较分析。结果表明：k-means算法效率最高,但只能识别近似于球形的群组,对呈线性分布的建筑物模式识别效果较差;具有噪声的基于密度的空间聚类（density-basedspatialclusteringofapplicationswithnoise,DBSCAN）算法可以发现任意形状的集群,其对参数的选择过于敏感,难以从复杂的建筑物群中识别出连贯的群组;具有噪声的基于分层的密度聚类（hierarchical DBSCAN,HDBSCAN）算法可以发现任意形状和密度的群组,但对边界区域的建筑物群识别效果较差;最小生成树（minimum spanning tree,MST）算法能够识别出不同类型的建筑物群模式,但难以确定复杂建筑物群的合理划分阈值。     

基于自适应膨胀因子的模糊覆盖分级方法

分级界限的确定一直都是学者们关注的焦点,而如何确定分级数则往往被忽略了。根据模糊覆盖和膨胀因子的定义,提出了一种确定1维数据分级数的分级方法:首先通过覆盖半径做一个模糊覆盖,利用自膨胀因子对这个覆盖进行扩张,直到不能再向外扩张为止,这一级就确定了;然后进行下一级的确定。该方法不仅可以自动确定数据的分级数,而且克服了分级结果对参数的敏感性。最后用实验证明了方法的有效性。     

基于自适应膨胀因子的模糊覆盖分级方法

分级界限的确定一直都是学者们关注的焦点,而如何确定分级数则往往被忽略了.根据模糊覆盖和膨胀因子的定义,提出了一种确定1维数据分级数的分级方法:首先通过覆盖半径做一个模糊覆盖,利用自膨胀因子对这个覆盖进行扩张,直到不能再向外扩张为止,这一级就确定了;然后进行下一级的确定.该方法不仅可以自动确定数据的分级数,而且克服了分级结果对参数的敏感性.最后用实验证明了方法的有效性.     

分布式增量机制下的交通流大数据聚类分析

时空聚类分析是对时空大数据进行利用的一种有效手段。本文提出了一种分布式增量大数据聚类分析方法,利用分布增量机制不但可以减少重复计算和迁移拷贝次数,而且可以持续对聚类结果进行修正,能够在保持聚类准确性的条件下提升整体运算效率。而聚类算法本身通过数据聚集趋势预分析、聚类算法和结果评价3个步骤,构建了一体化时空邻域,在时间和空间维度保证了聚类结果的准确性。经过试验证明该方法可以实现时空大数据的快速高效信息挖掘。     

一种利用邻近原则的聚类方法

根据散列式居民地中独立房的分布特点,提出了一种适合此类居民地的聚类方法。此法利用邻近原则,将符合聚类条件的独立房快速找出,并聚类在一起,并且本方法不存在过于复杂的运算,速度较快。同时,本文还分析了顾及障碍物的情况下独立房聚类的条件。