DBSCAN空间聚类算法及其在城市规划中的应用

空间聚类是空间数据挖掘和知识发现的主要方法之一。DBSCAN算法可以从带有“噪声”的空间数据库中发现任意形状的聚类,是一种较好的聚类算法。本文介绍了DBSCAN算法的基本概念和原理,并应用GIS二次开发组件MapObjects予以了实现。然后,本文将该算法应用于城市规划中,对某城市中小学和商业网点等公共设施的分布进行了聚类分析,并根据聚类结果对城市规划设计规范中的某些条款进行了讨论。     

基于改进人工蜂群算法的概率积分法参数反演

针对传统算法在反演概率积分法参数时易发散且难以获得全局最优解的问题,提出利用自适应人工蜂群算法反演概率积分法参数。根据该算法在求解过程中收敛速度快,获得全局最优解的特点,将参数反演问题转化为组合优化问题,建立了自适应人工蜂群算法的概率积分法预计参数反演流程,并将计算结果与实际值进行对比分析。通过理论分析与实验证明,自适应人工蜂群算法反演概率积分法参数精度高,较最小二乘法和模矢法拟合效果好,可应用于矿山开采沉陷预计。     

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.     

聚类算法研究

建立了一种新的聚类算法——模糊投影寻踪聚类(fuzzy projection pursuit cluster, FPPC)算法,实现了投影寻踪聚类(projection pursuit clustering,PPC)算法与模糊聚类迭代(fuzzy clustering iterative,FCI)算法的良好融合。FPPC算法首先建立了一种新的投影指标函数,该函数由投影值标准差和投影点广义欧氏权距离平方和构成,能避免传统PPC中选取惟一参数密度窗宽时完全依赖经验来决定的问题;然后采用投影技术对高维数据进行降维处理,执行FCI步骤来对低维样本集进行初次聚类运算;接着通过寻找最优投影方向的过程,对样本集进行PPC的二重聚类。在FPPC求解过程中,运用了由混沌理论、文化算法与差分进化算法融合而成的混沌文化差分进化算法进行优化处理。实验仿真表明,FCI与PPC双重迭代聚类的FPPC算法拥有更优的聚类精度及有效性。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

基于粗糙集的K--均值聚类算法在遥感影像分割中的应用

结合粗糙集理论和K——均值聚类算法，提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系，应用粗糙集理论的等价关系。求出K——均值聚类所需要的初始类的个数和均值。然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量．提高了分类精度和准确性。     

空间聚类方法的分类

目前,空间聚类的研究成果主要集中在点目标方面,现有的分类方法也主要针对点目标的聚类。随着空间聚类研究和应用的不断深入,线目标、面目标的空间聚类方法也逐渐被提出,因此本文从空间目标的维度、是否顾及非空间属性、算法思想等3个方面,探讨了空间聚类的分类方法,进而简要阐述每种空间聚类方法的典型算法。     

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。     

改进的模糊聚类遥感影像分割

聚类是数据挖掘的重要分支之一,引入模糊理论的模糊聚类分析为显示数据提供了模糊处理能力,在许多领域被广泛应用。本文应用考虑邻域关系的约束模糊C均值(Fuzzy C-Means with Constrains,FCM_S)算法,将邻域像素引入到目标函数中,进而有效地利用邻域像素信息,提高分割精度。本文应用FCM_S算法对模拟彩色纹理图像进行分割,计算其混淆矩阵,定性定量地与FCM算法进行对比分析,证明了该算法的鲁棒性。     

DBSCAN聚类和改进的双边滤波算法在点云去噪中的应用

采用基于密度的DBSCAN聚类算法对点云数据进行去噪处理,然后通过改进的双边滤波方法进行光顺处理实现点云平滑效果,最终的结果不仅有效去除了噪声点,还保留了点云模型的特征。以沈阳民国时期代表性的建筑——沈阳金融博物馆为试验模型进行试验,结果表明：通过DBSCAN聚类算法处理后得到的点云数据,再经改进的双边滤波处理所得到的数据远远比原点云数据直接运用改进的双边滤波处理得到的数据精度高,点云去噪效果更好。     

An Artificial Bee Colony-based Algorithm to Automatically Create Colour Schemes for Geovisualizations

Creating appropriate colour schemes is challenging for both novice and experienced cartographers. This paper introduces an artificial bee colony (ABC) algorithm to automatically create various colour schemes. Colour scheme creation is treated as a constrained search problem in a continuous colour space. We considered the gamut of the target device and a series of cartographic rules, such as convention, discrimination, contrast, perceptual uniformity and brightness mirror, in the ABC algorithm and presented detailed initialization, fitness definition, local exploration, and global exploration methods for creating qualitative, sequential and diverging colour schemes. The proposed method is evaluated with a case study, and the results indicate that compared with the brute force search method, the proposed method can create satisfying colour schemes of similar quality but significantly improved efficiency.     

改进蚁群算法的三维激光点云聚类方法

为了提高点云聚类方法的效率和精度,本文提出了一种蚁群优化投影寻踪算法。试验采用机载LiDAR点云数据,通过构建蚁群算法中信息素系数更新的对数反正切函数模型来减少所需的信息素更新系数的迭代次数,不断优化的投影寻踪方向投影,提高寻找最佳投影方向的连续空间的效率,实现了树木和建筑的分割。试验使用人工方法对比评估树木和建筑物的位置和数量的准确性。     

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。     

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。     

混沌蜂群优化的NSST域多光谱与全色图像融合

为有效融合多光谱图像的光谱信息和全色图像的空间细节信息,提出了一种基于混沌蜂群优化和改进脉冲耦合神经网络(PCNN)的非下采样Shearlet变换(NSST)域图像融合方法。首先对多光谱图像进行Intensity-HueSaturation(IHS)变换,全色图像的直方图按照多光谱图像亮度分量的直方图进行匹配;然后分别对多光谱图像的亮度分量和新全色图像进行NSST变换,对低频分量使用改进加权融合算法进行融合,以互信息作为适应度函数,利用混沌蜂群算法找到最优加权系数。对高频分量采用改进脉冲耦合神经网络(PCNN)方法进行融合,再经NSST逆变换和IHS逆变换得到融合图像。本文方法在主观视觉效果和信息熵、光谱扭曲度等客观定量评价指标上优于基于IHS变换、基于非下采样Contourlet变换(NSCT)和非负矩阵分解(NMF)、基于NSCT和PCNN等5种融合方法。本文方法在提升图像空间分辨率的同时,有效地保留了光谱信息。     

一种基于场论的层次空间聚类算法

从空间数据场的角度出发,提出了一种基于场论的层次空间聚类算法(简称HSCBFT)。该算法是通过模拟空间实体间的凝聚力来描述空间实体间的相互作用,进而采取层次凝聚的策略进行聚类。通过实验分析可以发现,层次空间聚类算法具有如下优势:①空间聚类簇中各空间实体很好地满足了空间邻近且专题属性相似的要求;②能发现任意形状的空间簇,且具有良好的抗噪性;③输入参数较少。     

基于GIS的河南省县级城市空间聚类研究与实现

将GIS与空间聚类算法相结合,可以从空间数据集中发现对象的凝聚趋势、分布规律和发展方向,并可进一步挖掘分析,从而获取更加概括和精练的信息。本文以河南省108个县级城市为研究对象,对其三年的人口及从业人员等状况进行聚类分析。采用系统聚类中的离差平方和法,以欧式距离的平方作为度量标准,对变量以Z得分作为转换标准,最终把样本划分为5类,并制作聚类划分结果专题地图。结合聚类分析和聚类分布图,进一步证实了空间聚类在县级城市空间分析中的可用性,能为河南县级城市的发展规划制定提供重要依据。     

蚁群算法在GIS中的应用探讨

蚁群算法是近几年来迅速发展起来的、并得到广泛应用的一种新型模拟进化优化算法。最早成功应用于解决TSP问题。研究表明该算法具有并行性、鲁棒性等优良性质。在GIS中,蚁群算法应用在路径寻优和正射影像镶嵌线自动选择两个问题效果较好。     

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。