一种基于场模型的空间聚类方法遥感学报.doc

基于场的空间聚类法(邓敏1 刘启亮1 李光强1 程涛2 （1 中南大学 测绘与国土信息工程系，长沙，410083） 摘 要：空间聚类用于揭示空间数据分布规律空间异常现有的空间聚类算法。为此，本文提出了一种空间聚类（简称FTSC）。通过模拟实验验证和分析，输入参数能够发现任意形状的空间簇适应特性。关键词：空间聚类；；场；空间数据挖掘 引言 空间聚类是已广泛应用于地理学、制图学、地质学、遥感学、生物学、经济学等众多领域Blackman Popoli, 1999; Bar-shalom Blair, 2000; Hofmann-wellenhof 等, 1994; 毛政元 李霖, 2004），主要用于揭示空间数据的分布规律，空间离群点（亦称空间异常）。有空间聚类大致分为：基于划分的聚类代表算法有k-MeansMacqueen, 1967）、k-Mediodg Han, 1994）、FCMDave Bhaswan, 1992）等定聚类数目函数，聚类中心，通过迭代不断降低目标函数的误差目标函数收敛至一定阈值时，完成聚类。这类算法需要多的先验信息输入参数和收敛阈值，并且聚类过程是固定的，适应密度情况基于层次的聚类BIRCH（Zhang 等, 1998）、CUREGuha 等, 1998）、ROCKGuha 等, 1999）、CHAMELEON（Karypis 等, 1999）和基于引力的聚类算法（Wright, 1977; 淦文燕等, 2006）。基于层次的聚类算法又分为凝聚法和分裂法前者从每个出发，反复聚合得到不同层次的聚类；后者对整个数据集反复进行分裂，直至。层次聚类算法采用固定的分裂或聚合度量阈值，实质上假设了空间分布的均匀性。基于密度的聚类DBSCAN（Ester等, 1996）、、OPTICSAnkerst 等, 1999）、ADBSC（李光强等, 2009）、DDBSC（李光强等, 2008）等将局部密度大于给定阈值的聚为一类，能够发现任意形状的簇，具有一定的抗噪能力。但是，法确，且在聚类过程中固定，难以适应空间密度变化大，易受邻域内离群点的影响。Zahn, 1971）、SFMST（Paivinen, 2005）、AUTOCLUST（Estivill-Castro Lee, 2000）等。基于图论的聚类算法首先在全部数据集内构建一个完全图，每个实体都视为图的一个顶点，继而通过打断图的不一致边，形成一系列的子图，每个子图即视为一个簇。然而当空间分布不均匀时，不一致边很难确定。（5）混合聚类算法，代表算法有STING（Wang 等, 1997）、Wave Cluster（Sheikholeslami 等, 1998）、CLIQUE（Agrawal 等, 1998）、GDCIC（Song Ying, 2006）、NN-Density（Pei 等, 2006）等。该类算法综合采用多种类型综上所述，空间聚类，本文基于场的空间聚类算法。 基于场的空间聚类空间聚类是将空间数据库中的空间划分成具有一定意义的若干簇，使得每个簇内具有最大相似度，而簇间差别最大。Kovács 等, 2006），缺乏实际的物理意义。本文受物理学中场论思想的启发，从角度对空间聚类问题进行解释：离群点受到的较小。借助Voronoi图和Delaunay三角网为了便于理解和描述，给出定义定义1二维Voronoi图：给定空间实体集合P，P={p1, p2, p3, …, pn}，对于P中任一点pi，其对应的Voronoi多边形piV可以定义为： piV={x∣d(x, pi) ≤d(x, pj), pi, pj∈P, i≠j , x∈R2} 式中d表示欧氏距离函数。P中所有点的Voronoi多边形构成点集P的Voronoi图表为： PV= { p1V, p2V, p3V, …, pnV } PV的对偶图为Delaunay三角网D(P)，如图1虚线所示。 定义2直接Voronoi邻近：给定空间实体集合P，pi, pj∈P，若piV和pjV具有公共Voronoi边则pi和pj互为直接Voronoi邻近pi的所有直接邻近实体即为pi的Delaunay邻近实体，表示为ND(pi)。p1点的直接邻近实体为p2，p3，p4，p5和 p6。 定义3 直接Voronoi区域：对于空间实体pi，piV与pi的直接Voronoi邻近Voronoi多边形pi的直接Voronoi区域，记为DNV(pi)。如图1，p1的直接Voronoi区域包括p1V, p2V, p3V, p4V, p5V, p6V。 二维Voronoi图