综合线面特征分布的点目标多尺度聚类方法

考虑空间数据分布的复杂性与不连续性,提出了一种点目标聚类方法。算法利用全要素Voronoi图准确识别与表达点目标与线面实体的空间相关性;根据点目标位置分布特征计算面积阈值来控制聚类的粒度,同时以空间尺度变化下面积阈值的恒定作为判断尺度收敛的条件,实现点目标的多尺度划分,时间复杂度为O(nlogn)。经试验验证,聚类尺度随点目标分布特征自适应收敛,算法无须自定义参数,能够有效地发现受线面目标约束的任意形态点目标集群,对异常值处理稳健。     

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。     

顾及方向关系的农村居民地聚类方法

农村居民地空间分布具有独特的规律性和复杂性,Voronoi图在表达居民地分布特征方面有显著优势。针对当前空间聚类较少考虑实体方向关系的问题,基于Voronoi图提出一种顾及方向关系的农村居民地聚类方法。首先,构建距离约束的Voronoi图,并构建居民地实体间的Voronoi邻近图;然后,利用无向特征与有向特征来综合评价居民地实体间的聚集强度;最后,消除聚集强度小于阈值的实体对的邻近关系,得到聚类结果。采用浙江省宁波地区部分农村居民地数据进行实验,结果表明,所提方法能够有效聚类不同分布模式的居民地,聚类结果符合人的认知习惯。     

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。     

一种基于双重距离约束的多层次空间聚类方法

以往的双重空间聚类方法通常实现的是单一层次聚类,虽然顾及了地理实体的位置属性和专题属性,但是在实施过程中,实体的空间邻近和属性相似的表示和衡量,使用了不同的变量和标准,降低了算法的效率.文章采用双重距离作为实体间的相似性度量,通过对点实体构建的Delaunay三角网中的边施加同时顾及整体与局部特性的双重距离约束,实现了点实体的多层次空间聚类.通过实际算例分析与比较,验证了方法的有效性.     

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。     

基于空间实体约束的空间聚类算法研究

空间实体的存在对空间聚类分析产生重要的影响,传统的空间聚类分析中没有考虑空间实体的约束作用,从而影响了聚类结果。本文在总结了以往的空间聚类算法的基础上,提出了一种改进的基于空间邻接关系的空间聚类算法,该算法将空间邻接关系和空间实体作为约束条件嵌入到整个聚类过程中,使得数据对象的归类受到"就近原则"和"约束条件"的双重限制。     

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。     

基于地理本体的土地空间面对象模型

目前,土地空间数据方面的研究比较偏重数据库、程序语言、信息系统的构建方法等方面,而缺乏专门的文章对土地空间对象的概念、种类、数量和关系等做整体研究。本研究运用地理本体论的概念分类思想和空间语义关系理论,将地块作为共享概念,首次深入系统地解析土地管理业务中涉及的主要土地空间面对象的内涵、关系等,构建并实证分析三层多级本体土地空间面对象模型,为解决土地要素完善、土地信息标准化和土地数据库的建设等提供参考依据。     

基于中心点距离的居民地面要素聚类

空间聚类是将空间实体根据某些相似的特性聚类成为一个集合,这个集合称为簇。本文研究了一种基于中心点距离的居民地面要素聚类算法:通过获取面状要素的数据,运用基于其几何中心的距离计算方法,判断面要素之间距离的可达性,并将距离小于阈值的面要素进行聚类,最终以凸包的形式将该集合绘制出来。本文的算法是在VS2010以及ArcGIS Engine开发环境下通过编程实现,并进行多组实验,实验结果表明,该应用程序可以实现居民地面要素的自动聚类。     

矢量居民地多边形多级图划分聚类方法

针对复杂居民地多边形的信息挖掘问题,提出了一种多级图划分聚类分析方法,构造居民地多边形的图模型,并通过对图模型进行粗化匹配与重构、初始化分和细化得到聚类结果.首先构建研究区域内居民地建筑物的Delaunay三角网,生成包含研究对象之间的邻接信息图;然后结合空间认知准则和人类认知的特点,采用形状狭长度、面积比、凹凸性、距...     

论多边形中轴问题和算法

比较了当前国内外GIS中和计算几何中关于多边形中轴的定义,讨论了它们的主要特点,指出多边形中轴应是到两个以上边距离相等点的轨迹,并据此分析了相应的各种算法和实际应用场合,提出了理论上较为严密、能够广泛满足实际应用需要的几何方法———点对序列法和地图代数多边形中轴法。     

基于滚球法的面要素聚合

在自动制图综合中,面要素聚合较为常用的方法是利用聚类方法将面要素聚类为若干个类簇,进而将每个类簇合并为更大的多边形图斑。针对地图制图领域的前沿研究课题——地图自动综合,该文提出了一种基于滚球法的面状要素聚合的新方法,通过实验阐述了该方法在居民地等面要素综合中的应用,并与传统的聚合算法进行了效率上的对比分析。该方法较传统的聚合方法效率上有很大提高,在大数据量聚合中有一定的应用前景,当选择合适的滚球半径进行综合时,有较理想的结果。     

基于TIN的面要素聚合优化算法

针对TIN三角网在实现地图面要素聚合过程中效率低下的问题,提出了一种基于TIN面要素聚合的优化方法。首先,利用格网的方法聚类面要素,缩小TIN搜索范围;然后,在聚类的基础上进行TIN三角网的构建实现面要素的综合;最后,实验验证了综合结果,并通过对比证明了算法的效率。     

Relationship of Uncertainty Between Polygon Segment and Line Segment for Spatial Data in GIS

The mathematic theory for uncertainty model of line segment are summed up to achieve a general conception, and the line error band model of εp is a basic uncertainty model that can depict the line accuracy and quality efficiently while the model of εm and error entropy can be regarded as the supplement of it. The error band model will reflect and describe the influence of line uncertainty on polygon uncertainty. Therefore, the statistical characteristic of the line error is studied deeply by analyzing the probability that the line error falls into a certain range. Moreover, the theory accordance is achieved in the selecting the error buffer for line feature and the error indicator, The relationship of the accuracy of area for a polygon with the error loop for a polygon boundary is deduced and computed.