以节点为中心的关系边聚类与可视化算法

对象间的关联关系可视化主要是通过图的连边进行表达的,但是对象间的关联关系纷繁复杂,大量的连边交错会造成严重的视觉混乱,图布局和边捆绑都是解决复杂连边造成的视觉混乱问题的有效途径,然而某些节点的地理位置具有实际的含义,只能通过边捆绑方法来减少幅面载负量,进而揭示图的潜在关联规律。以往的边捆绑算法是在边的两端节点固定的前提下,调整边的中间控制点的位置,这样会使得大量边被聚集在一起,不仅会造成二次视觉混乱,且难以在节点级别揭示图的关联趋势。针对这一问题,本文提出了一种以节点为中心的关系边聚类与可视化算法。首先使用方向聚类算法实现隶属于同一个节点的连边的聚类,本文提出的方向聚类方法速度约是K-means算法的13倍,约是DBSCAN算法的6倍,然后对各个连边实现控制点的内插,在此基础上使用FR模型使得控制点位移,并通过弯曲度控制防止“过度弯曲”情况的出现,最后调整边的透明度,使得可视化的结果突出显示边靠近端点处的部分。实验结果表明,本文NCEB算法的幅面载负量L和中点距离变化量△d的约为FDEB算法的二分之一,证明本文算法可以将捆绑位置从边的中间部位移动到节点端,不仅解决了传统边捆绑算法造成的二次视觉混乱问题,而且使得节点周围的连边分布趋势清晰可读,且视觉负载大大降低,有效减少了视觉误差和信息误判。     

地理流的空间模式：概念与分类

地理流被定义为地理对象在不同空间位置间的流动,而地理流通常涵盖了物质、信息、资金、能量等的空间转移。位置之间各种流的出现与强化,改变了以距离衰减效应为基本规律的传统认知。因此,针对地理流的研究将有助于从新的角度理解地理格局及其形成机理。本文认为可采用2种模型对地理流进行表达：① 将地理流抽象为包含起点和终点坐标的四元组（又称地理流正交模型）;② 将其抽象为包含起点坐标、流长度与流方向的模型（又称地理流极坐标模型）。在地理流表达模型的基础上,流空间可以定义为由两个二维空间通过笛卡尔积形成的四维空间。本文给出了流空间中4种距离（最大距离、加和距离、平均距离和加权距离）、不同距离下地理流的r邻域体积以及地理流密度等测度的定义。根据地理流极坐标模型中不同要素随机性的组合方式,将地理流模式分为随机、丛集、聚散、社区、并行与等长6种常见的单一模式,并梳理了不同模式的识别方法。单一模式之间的组合可以形成混合模式,而多类流数据之间可以形成多元流模式。在未来的研究中,地理流的基础统计理论、地理流模式的挖掘方法以及在实际问题中的应用将是其重要的发展方向。     

利用Q型聚类分析研究鄂尔多斯盆地多种能源矿产间的关系

为揭示鄂尔多斯盆地多种能源矿产间的关系,根据盆地石油、油气伴生水以及煤、煤层夹矸、铀矿及围岩样品的氯仿沥青中57种元素的分析结果,进行了Q型聚类分析。结果表明：侏罗系下统延安组石油、侏罗系中统直罗组石油与三叠系延长组石油有相近的成因特征;三叠系延长组石油沥青、三叠系延长组含油砂岩沥青与侏罗系中统直罗组石油沥青具有类似的成因特征;神木侏罗系下统延安组煤沥青、东胜侏罗系中统直罗组煤沥青、铜川陈家山侏罗系下统延安组煤层石油以及铜川陈家山侏罗系下统延安组煤沥青成因特征相近;铜川陈家山侏罗系下统延安组煤层石油沥青可能与准格尔黑岱沟石炭二叠系煤沥青具有成因上的联系;侏罗系下统延安组石油沥青与放射性铀矿的形成具有密切关系;天然气的物质来源复杂,且与石油和煤的进一步演化有一定关系。鄂尔多斯盆地多种能源矿产成因较复杂、相互问关系密切,且具有多源性成藏（矿）特征。     

基于GIS的矿井突水水源判别系统研究

应用模糊聚类分析得到的含水层背景值,建立模糊综合评判模型,进行矿井突水水源快速判别。基于GIS强大的数据处理功能,利用GIS可视化技术将判别结果直观地显示出来。该系统不但实现了突水水源的点查询,还实现了突水空间分区。通过实际应用,证明该系统简便易行,结果可靠。它可高效准确地完成未知突水水样的水源判别,为煤矿安全生产提供决策依据。      

豫西熊耳山Ag、Ag-Pb、Au、Mo及Pb矿床 (点)的空间分布特征及找矿启示

对豫西熊耳山121个Ag、Ag-Pb、Au、Mo及Pb矿床(点)的空间分布特征进行了分析,并在此基础上探讨了熊耳山地区找矿潜力区。在经度方向上,它们集中于熊耳山的东、西两端,而在中部(111.45°~111.50°和111.60°~111.65°)出现两个矿床频数低值;在纬度方向上,矿化主要集中分布于34.10°~34.25°的中部地带。121个矿床(点)的高程(采矿平硐海拔高度)集中分布于600~750 m、800~1 050 m和1 100~1 200 m三个高程区间内,熊耳山东、西两端大型Ag-Pb、Au和Mo矿床的高程大致相当。121个矿床(点)组成了6条矿化种类各异和走向不同的矿化条带,分别为近NW向的Ag及Ag-Pb矿化条带(M1)和Au(Mo、Pb)矿化条带(M3)、近NE向的Au(Mo、Pb)矿化条带(M2)、近EW的Pb-Au(Mo)矿化条带(M4)、近NNW向的Au矿化条带(M5)和近NS向的Au(Mo、Pb)矿化条带(M6),其走向均与区域以及矿床控矿构造的走向大致相当。121个矿床(点)在空间三个投影面中均遵循分形丛集分布,并且存在两个无标度网格区,显示了多重分形的特征,发现熊耳山矿集区的分布具有约10 km等间距的特征,并结合透岩浆流体成矿理论对熊耳山地区进一步的成矿潜力区进行了分析。     

R型聚类分析在成矿阶段划分中的应用-以桦甸大庙子-菜抢子金矿区为例

大庙子—菜抢子金矿区主要矿石类型有含金黄铁矿型和含金多金属型,对两类矿石研究表明金赋存于黄铁矿和交代、穿切黄铁矿的黄铜矿中,主要与黄铁矿有关。采用相关系数法、距离系数法及离差平方和法对38件矿石样品中的Au、Ag、Cu、Pb、Zn、Co、Ni、Bi元素进行R型聚类分群,结果为Au Bi、Ag Zn Cu Co Pb Ni二群。本矿区中金主要形成于金-黄铁矿阶段,少量形成于金-多金属阶段。     

基于蚁群聚类算法的岩石边坡稳定性分析

由于岩石边坡影响因素众多且关系复杂,不能用简单的方法进行分析和判断。在工程类比的基础上,一般采用聚类的方法。但由于边坡工程问题环境的复杂性,岩石边坡稳定分析的聚类问题是一个复杂的模糊、随机优化问题,采用传统方法难免带来很多局限性。为了更好地解决这类问题,首次把蚁群聚类算法这种新近提出的仿生聚类算法引入岩石边坡工程领域,以解决其稳定分析问题,提出一种分析岩石边坡稳定问题的新方法。该方法在分析岩石边坡工程实例资料的基础上,采用蚁群聚类算法,以工程类比的思想判断岩石边坡的稳定状态。工程应用证明,该算法可以自动把岩石边坡分成几种类似的状态,判断准确率较高、计算速度较快,是一种比较实用的岩石边坡稳定分析方法,值得在岩石边坡分析领域推广应用。     

板庙子金矿区成矿阶段划分

板庙子金矿区主要矿石类型有含金黄铁矿型和含金多金属型,对两类矿石研究表明金赋存于黄铁矿和交代、穿切黄铁矿的黄铜矿中,主要与黄铁矿有关;对矿石中的A u、A g、Cu、Pb、Zn、Co、N i、B i、R b、S r、B a元素进行R型聚类分群,结果为A u B i、A g Zn Cu Co Pb N i、R b S r B a三群;对两类矿石与成矿关系密切的脉岩进行Q型聚类分群,结果表明金—黄铁矿型矿石与辉绿岩、煌斑岩、花岗斑岩有关,金—多金属型矿石主要与二长花岗斑岩、闪长玢岩有关,并与实际地质调查认识一致。由此明确了本矿区中金主要形成于金—黄铁矿阶段,少量形成于金—多金属阶段,随着岩浆由中性向酸性演化,成矿作用由贵金属向多金属矿化转变,并在空间上形成叠加。     

吉林省和龙市地质灾害易发程度分区

本论文结合“吉林省和龙市地质灾害调查与区划”的实际研究工作,利用现场勘察和调查收集灾害点和区域地质环境数据,选取灾害点密度、灾害面积系数、地形地貌类型等9个统计量,运用模糊聚类和图论的数学方法,对和龙市进行地质灾害易发区划分。根据地质灾害易发程度,将和龙市分为4个区。划分结果比较符合和龙市区域地质灾害发育实际情况。研究结果为和龙市进行防灾减灾工作,合理制定发展规划提供科学依据。     

Evaluation of graphical and multivariate statistical methods for classification of water chemistry data

A robust classification scheme for partitioning water chemistry samples into homogeneous groups is an important tool for the characterization of hydrologic systems. In this paper we test the performance of the many available graphical and statistical methodologies used to classify water samples including: Collins bar diagram, pie diagram, Stiff pattern diagram, Schoeller plot, Piper diagram, Q-mode hierarchical cluster analysis, K-means clustering, principal components analysis, and fuzzy k-means clustering. All the methods are discussed and compared as to their ability to cluster, ease of use, and ease of interpretation. In addition, several issues related to data preparation, database editing, data-gap filling, data screening, and data quality assurance are discussed and a database construction methodology is presented. The use of graphical techniques proved to have limitations compared with the multivariate methods for large data sets. Principal components analysis is useful for data reduction and to assess the continuity/overlap of clusters or clustering/similarities in the data. The most efficient grouping was achieved by statistical clustering techniques. However, these techniques do not provide information on the chemistry of the statistical groups. The combination of graphical and statistical techniques provides a consistent and objective means to classify large numbers of samples while retaining the ease of classic graphical presentations. Electronic Publication