共查询到20条相似文献，搜索用时 515 毫秒
1.
2.
一种基于局部分布的空间聚类算法 总被引：1，自引：1，他引：0
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。 相似文献
3.
对基于空间向量的空间圆拟合算法进行研究,将空间圆看成过球心的空间平面和球壳相交而成的圆,根据球心在空间圆上任意两点连线的中垂面上的性质,利用空间向量组建中垂面方程,与拟合的平面方程联立求解圆心坐标和半径。采用C#语言编写程序进行了算法实现,利用索佳全站仪采集断面数据,使基于该算法的程序在管道准直分析的工程中得到实际应用。 相似文献
4.
5.
层次聚合聚类的典型算法可以体现研究数据的多尺度特征,但是典型算法的时空复杂度太高。通过将数据所在空间划分成等边长正交格网,结合3点间距离的传递性排除冗余计算,并将其推广到N维空间。设计了一种与典型算法遵循相同的单链规则,可即时计算类间距离且无需计算距离矩阵的算法,在获得与典型算法相同的多尺度聚类序列的同时,所需内存远小于典型算法。实验结果表明,该算法无需人工干预且不使用距离矩阵,能大幅降低层次聚合聚类的运行时间,但是效率优势随空间维数增长逐渐降低。 相似文献
6.
提出了一种顾及空间物理约束的多密度网格聚类算法。该算法通过对障碍物和便利体两种物理约束的数据化处理,降低了聚类的复杂度。利用既有聚类数据又有障碍物的网格单元的二次分割方式来提高聚类精度。针对不同便利体对聚类影响的差异,引入便利度概念。用网格单元密度、单元间质心的曼哈顿距离和便利度三因素来构造判别函数,判别单元间的相似关系。理论分析和实验结果表明,在有任意形状物理约束的空间中,该算法能有效地对不同形状、大小和密度的数据集聚类。 相似文献
7.
空间聚类是GIS空间分析的主要内容之一,传统矢量空间聚类算法存在数据冗余、结果不直观等弊端,地图代数栅格距离变换结果图本身就蕴涵了空间客体之间的拓扑关系,通过提取距离变换结果图不同距离值的等距线,就可以实现基于最短欧氏距离的空间对象的聚类过程,本文通过算例试验证明,该算法简单、直观、合理。 相似文献
8.
针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。 相似文献
9.
空间点聚类依据空间点实体属性对其进行分类划分,挖掘对研究应用有价值的信息。目前,空间点聚类大多数方法能够发现多边形簇,但不能发现线状簇。针对空间点聚类现有方法在发现线状簇方面的不足,借鉴滚球法的思想,提出滚圆法用于空间点聚类的研究算法（spatial point clustering using the rolling circle,SPCURC）。针对研究区域的点实体,该算法用给定半径的圆从初始点开始按照原则进行滚动,直至满足条件为止;连接滚圆接触的点,从而形成多边形簇或者线状簇。通过模拟算例和实际算例验证了该算法的可行性。 相似文献
10.
区域划分是依据人口和社会经济指标将行政统计单元或其他地理实体划分成若干个不同水平或类别的集合。由于大多数的人口和社会经济指标来源于面状数据-行政统计单元,常用的区域划分的空间聚类方法是基于面状数据的,本文通过分析现有面状数据的聚类算法特点和不足,进而提出一种新的算法,该方法提出将面状统计单元进行网格划分,引入基于网格密度聚类算法的思想,克服现有面状聚类的诸多缺点,打破行政区划的限制,更好地发现潜在信息。 相似文献
11.
12.
空间聚类应当同时满足空间位置邻近和属性相似,在此背景下,为满足空间邻近实体之间趋势性和不均匀性的属性聚类需求,提出一种基于图论和信息熵的空间聚类算法。该算法主要是在Delaunay三角网空间位置聚类基础上,通过引入信息熵,采用多元相似性度量方法以解决二元关系在属性聚类中的缺陷,同时基于"等概率最大熵"原则提出了一种局部参数度量方法,用于表达邻近目标间属性分布的局部变化信息。将本文方法与多约束聚类方法和DDBSC聚类方法进行对比分析,结果表明:(1)在属性空间分布不均的情况下,本文方法的聚类精度要高于多约束方法和DDBSC方法,尤其是当属性空间分布不均程度不断扩大时,DDBSC和多约束算法会将空间簇内的实体误判为噪声;(2)在对异常值的敏感性问题上,3类方法都能识别出异常值的位置,但DDBSC和多约束算法对异常值具有一定的敏感性,聚类结果会掩盖属性分布的趋势性,本文方法受异常值影响很小。通过模拟实验和实际算例可以发现,在保证空间邻近的基础上本文方法具有如下优势:第一,能反映实体属性在空间分布中的趋势性特征;第二,能满足属性空间分布不均匀;第三,对异常值具有良好的稳健性。 相似文献
13.
有限混合模型FM的分级聚类已广泛应用于不同领域,然而,由于它的计算复杂度与观测数据量平方成正比,致使在遥感影像方面应用受到了限制。另外,多光谱图像能提供空间和光谱两类信息详细的数据,但是,大多数多光谱图像聚类方法是基于像素的聚类,仅使用了其光谱信息而忽视了空间信息。本文定义一个相对混合密度函数,通过引入一个q-参数来调节各成分密度对其混合分布的贡献,提出一种广义有限混合模型GFM．设计一种新的适用于多光谱遥感影像的GFM分级聚类算法。该算法把MRF随机场和GFM模型结合在了一起,分类数通过PLIC准则自动确定。最后,利用仿真结果验证该算法的有效性,同时通过与K均值聚类、FM分级聚类以及SVMM分级聚类的比较说明本文算法的优越性。 相似文献
14.
DBSCAN空间聚类算法及其在城市规划中的应用 总被引：4，自引：1，他引：3
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。 相似文献
15.
正随着GNSS终端设备的普及与广泛应用,海量的、带丰富位置信息的数据所隐藏的地质与空间变迁信息正在支撑智慧城市的发展。论文以10组不同城市出租车GPS数据为研究对象,以遗传算法、粒子群算法和蚁群算法3种智能算法为研究基础,以聚焦划分聚类算法为自动聚类的基本算法;提出了基于智能优化的GPS数据自动聚类学习算法,这些算法通过所构建的模糊系统和初始化种群技术,有效地克服了基于划分聚类算法的聚类 相似文献
16.
激光雷达森林参数反演研究进展 总被引：6，自引：0，他引：6
激光雷达通过发射激光能量和接收返回信号的方式,来获取高精度的森林空间结构和林下地形信息。全波形激光雷达通过记录返回信号的全部能量,得到亚米级植被垂直剖面;离散回波激光雷达记录的单个或多个回波,表示来自不同冠层的回波信号。星载激光雷达一般采用全波形或光子计数激光剖面系统,仅能获取卫星轨道下方的单波束或多波束数据,用于区域/全球范围的森林垂直结构及变化观测。机载激光雷达多采用离散回波或全波形激光扫描系统,能够获取飞行轨迹下方特定视场范围内的扫描数据,用于林分/区域范围的森林结构观测。地基激光雷达多采用离散回波激光扫描系统,获取以测站为中心的球形空间内扫描数据,用于单木/样地范围的森林结构观测。激光雷达单木因子估测方法可分为CHM单木法、NPC单木法和体元单木法3类。CHM单木法通过局部最大值识别树冠顶点,采用区域生长或图像分割算法识别树冠边界或树冠主方向,NPC单木法一般通过空间聚类或形态学算法识别单木,体元单木法在3维体元空间采用区域生长或空间聚类算法识别树冠。根据激光雷达冠层高度分布可以估测林分因子,冠层高度分布特征来自于离散点云或全波形。多时相激光雷达可用于森林生长量、生物量变化等监测,以及森林采伐、灾害等引起的结构变化监测。随着激光雷达技术的发展,它将在森林调查、生态环境建模等生产与科学研究领域中得到更为广泛的应用。 相似文献
17.
18.
一种基于双重距离的空间聚类方法 总被引：10，自引：1，他引：9
传统聚类方法大都是基于空间位置或非空间属性的相似性来进行聚类,分裂了空间要素固有的二重特性,从而导致了许多实际应用中空间聚类结果难以同时满足空间位置毗邻和非空间属性相近。然而,兼顾两者特性的空间聚类方法又存在算法复杂、结果不确定以及不易扩展等问题。为此,本文通过引入直接可达和相连概念,提出了一种基于双重距离的空间聚类方法,并给出了基于双重距离空间聚类的算法,分析了算法的复杂度。通过实验进一步验证了基于双重距离空间聚类算法不仅能发现任意形状的类簇,而且具有很好的抗噪性。 相似文献
19.
针对常规的密度峰值聚类算法在确定数据聚类中存在聚类中心的重复性、聚类不稳定、不适用于三维点云分割等问题,提出了中心均匀化聚类群融合算法.该算法对局部密度和距离函数进行归一化处理,较好地解决了这两种函数尺度不一的问题;基于局部密度和距离函数乘积的变化率来确定聚类中心,并对重复或距离很近的聚类中心进行了消除,避免了聚类中心非均匀分布对聚类的影响;利用数据点到聚类中心距离逐个确定每个数据的聚类归属,依据邻近聚类数据群之间的距离来判断邻近聚类之间的融合,实现对点云数据的有效分割.基于二维离散数据聚类及不同分辨率点云数据分割的实验结果表明:所提算法不仅适用于二维离散数据的聚类,也适用于三维点云数据的分割,且分割精度和稳定度要优于常规的CFDP、K-means、DBSCAN、DPC聚类算法和深度学习方法. 相似文献