空间加权距离的GIS数据FuzzyC-means聚类方法和应用分析.pdfVIP

第15卷 第6 期 地 球 信 息 科 学 学 报 Vol. 15, No.6 2013 年12 月 JOURNAL OF GEO-INFORMATION SCIENCE Dec., 2013 空间加权距离的GIS 数据Fuzzy C-means 聚类方法与应用分析 王海起，张 腾，彭佳琦，董倩楠 （中国石油大学（华东）地球科学与技术学院，青岛266580 ） 摘要：Fuzzy c-means 聚类常采用普通欧式距离进行相似性度量，对于地理空间对象来说，聚类不仅应考虑属性特 征的相似性，还应考虑对象的空间邻近性。本文基于普通欧式距离提出了多种形式的空间加权距离公式，不同的 距离公式分别在两个坐标方向、各属性上进行加权，权重向量既可以度量空间位置特征、属性特征的作用大小，也 可度量位置距离在X 、Y 空间方向上的各向同性或异性程度。权重向量的获取以空间对象相似性的模糊函数为评 价目标，通过动态学习率的梯度下降算法优化计算，并将空间加权距离引入到fuzzy c-means 聚类算法中以取代普 通欧式距离。本文以空间数据集Meuse 为应用实例，分别采用不同形式的空间加权距离进行FCM 模糊聚类，类数 取为2-10类，通过PC 、PE 和Xie-Beni 等聚类有效性指标的比较表明：空间加权距离的聚类效果要优于普通距离， 且在空间数据聚类分析中，除属性信息外位置等空间特征信息同样起到了重要作用。 关键词：空间加权距离；GIS 数据；Fuzzy C-means 聚类；梯度下降学习算法 DOI ：10.3724/SP.J. 1047.2013.00854 1 引言 对于地理空间对象来说，聚类不仅应考虑属性 特征的相似性、还应考虑对象的空间邻近性。单纯 聚类分析将研究对象按照特征分组为不同的 地考虑属性特征，则聚类结果不能反映地理对象的 类，使同类对象之间具有较高的相似度，而类间对象 空间分布状况；反之，单纯地考虑空间位置特征，则 [7-8] 之间的差异较大。两个对象之间的相似度可以属性 聚类结果缺乏实际的地学内涵 。因此，对空间对 [1-3] 特征的距离、相关系数、夹角余弦等方式来度量 。 象进行相似性度量时，应将地理位置特征和属性特 Fuzzy C-Means （FCM ）是一种常用的模糊聚类 征统一纳入到空间距离测度中，以提高空间聚类分 算法，它和K-Means 均属于基于划分（Partitioning ） 析的质量。 的聚类方法，前者对不同类别的划分具有模糊的软 本文基于传统欧式距离提出了多种形式的空 边界，后者对不同类别的划分采用“非此即彼”的硬 间加权距离公式，权重向量既可以度量空间位置特 性边界。K-Means 也可以归为隶属度取值为0 或1 征、属性特征的作用大小，也可以度量位置距离在 [4-5] 的软划分方法 。 X 、Y 空间方向上的各向异性程度。权重向量的学 FCM 聚类常采用传统的欧式距离进行相似性 习以空间对象相似性度量的模糊评价函数为目标， 度量，在距离公式中每个属性特征的权值均为1、作 采用动态学习率的梯度下降算法优化获取。并将 用均相同。而实际应用中，有些属性在