空间聚类分析及其在GIS中的应用研究.docxVIP

摘要 摘  要 GIS 数据库中含有海量、复杂的数据和信息，其中隐含着许多有价值的知识， 而传统的 GIS 系统主要局限于实现数据的录入、查询、统计等功能，无法有效地 发现数据中存在的关系和规则，数据挖掘技术可以对 GIS 数据进行更高层次地分 析，发现其中隐含的知识。因此从空间数据库中进行知识发现即空间数据挖掘， 己成为数据挖掘领域中一个重要的研究方向。 聚类是根据某个相似性准则对模式进行分组达到组内相似性最大、组间差异 行最大以发现有意义的结构特征的过程。在空间数据挖掘的技术体系中，聚类分 析由于其具有探索性数据分析方法的内在特质，被认为是从空间数据库中发现知 识的一种主要方法并取得了相当大的进展。然而，空间数据本身呈现出高度复杂 的特征，数据挖掘又为聚类分析带来了大量亟待解决的新课题。为此，空间聚类 分析技术值得进一步探索的空间还很广阔。 K-means方法是一种常用的空间聚类算法。它是基于划分的一种聚类算法， 该算法采用启发式方法，实现简单，收敛速度快。但是该算法存在以下两个缺陷： （1）对初值敏感；（2）该算法常常陷入到局部最优。遗传算法是一种全局搜索 算法，它仿效了遗传学中生物从低级到高级的进化过程，以概率1收敛到全局最 优，但是收敛速度较慢。本文综合遗传算法的全局收敛性和K-means方法收敛速 度快的优点，并针对聚类问题的具体特点，提出了一种E-GAC算法，提高