涉及障碍物的聚类方法研究

在空间数据挖掘中,传统聚类算法忽略了真实世界中障碍物的存在,而障碍物会影响聚类结果的合理性。在文中讨论了面对障碍物的聚类问题,并给出了一个考虑障碍物存在时的基于划分的聚类算法。该算法充分考虑到了现实障碍物对聚类结果的影响,使得聚类结果更具有实际意义。     

涉及障碍物的聚类方法研究

在空间数据挖掘中，传统聚类算法忽略了真实世界中障碍物的存在，而障碍物会影响聚类结果的合理性。讨论了面对障碍物的聚类问题，并给出了一个考虑障碍物存在时的基于划分的聚类算法。该算法充分考虑到了现实障碍物对聚类结果的影响，使得聚类结果更具有实际意义。     

一种处理障碍约束的聚类算法

根据障碍约束空间聚类问题的特点,利用图论的相关知识,提出了一种分阶段的基于图的聚类的算法。首先,通过最小生成树聚类算法,在不考虑障碍约束的情况下对空间对象进行聚类;然后,引入障碍物对上一步的聚类结果进行分割;最后,根据被障碍物分割后形成的各个类之间的障碍距离,将距离较近的两个类合并,形成最终的聚类结果。最后通过实验验证了算法的效果,而且输入参数少,时间复杂度低。     

障碍空间中基于网格的不确定数据聚类算法

为了解决已有研究成果无法有效解决动态障碍空间中的不确定数据聚类问题,根据障碍集合是否发生变化,分别解决静态障碍和动态障碍空间下的聚类问题。提出了静态障碍空间中的不确定数据聚类算法(DBSCAN clustering algorithm for static obstacles in grid space,STA_GOBSCAN)、障碍物动态增加情况下的不确定数据聚类算法(DBSCAN clustering algorithm for dynamic increase of obstacles in grid space,DYN_GOCBSCAN)、障碍物动态减少情况下的不确定数据聚类算法(DBSCAN clustering algorithm for dynamicreduction of obstacles in grid space,DYN_GORBSCAN)和障碍物动态移动情况下的不确定数据聚类算法(DBSCAN clustering algorithm for dynamic movement of obstacles in grid space,DYN_GOMBSCAN),采用KL距离对不确定数据进行相似性度量,并利用网格对数据空间进行划分。理论研究和实验结果表明所提出的算法具有较高的效率和准确率。     

障碍空间里基于密度的快速聚类算法

传统的聚类方法不能直接运用于分布空间内存在障碍物的数据的聚类.提出了一种障碍空间内基于密度的快速聚类算法DBCO来解决此类问题.DBCO中,在基于密度的聚类基础上引入了障碍模型,提出了一种保持数据间可见性的简化障碍的方法.为了使障碍模型不影响聚类质量,定义了障碍顶点距离、连接距离和判断距离来维持聚类的质量.另外,在聚类过程中,选择某一些代表点和拓展点而不是每一个点来对每一个聚类进行扩展,从而大大提高了聚类算法的效率.实验结果表明了DB-CO算法可以快速地得到高质量的聚类结果.     

粒子群K-Medoids带障碍约束空间聚类分析研究

空间聚类分析是空间数据挖掘研究领域中的一个重要研究课题.传统聚类算法忽略了真实世界中许多约束条件的存在,而约束条件的存在会影响聚类结果的合理性.本文在分析粒子群优化算法和划分算法的基础上,研究一种基于粒子群和划分相结合的带障碍约束空间聚类分析方法,设计了一个粒子群K-Medoids带障碍约束空间聚类分析算法.对比实验表明,该方法不仅兼顾了局部收敛和全局收敛性能,又充分考虑到了现实障碍物对聚类结果的影响,使得聚类结果更具实际意义.与遗传K-Medoids带障碍约束空间聚类分析相比,该方法具有更好的可伸缩性,且所需输入的参数相对较少,更适合于对聚类速度要求较高的动态约束条件场合.     

一种处理障碍约束的基于密度的空间聚类算法

在现有的基于障碍约束的空间聚类算法COD_CLARANS、DBCLuC、AUTOCLUST+和DBRS+的基础上，提出了一种新的基于密度的空间聚类算法——基于障碍距离的密度聚类算法（DBCOD）。该算法在DBCLuC算法的基础上，采用障碍距离代替欧几里得距离作为相异度的度量标准，并在预处理过程中用障碍多边形合并化简方法来提高障碍物的处理效率。仿真实验结果表明，DBCOD算法不仅具有密度聚类算法的优点，而且聚类结果比传统基于障碍约束的密度聚类算法更合理、更加符合实际情况。     

子空间聚类算法的研究新进展

高维数据聚类是聚类技术的难点和重点,子空间聚类是实现高维数据集聚类的有效途径,它是在高维数据空间中对传统聚类算法的一种扩展,其思想是将搜索局部化在相关维中进行.该文从不同的搜索策略即自顶向下策略和自底向上策略两个方面对子空间聚类算法的思想进行了介绍,对近几年提出的子空间聚类算法作了综述,从算法所需参数、算法对参数的敏感度、算法的可伸缩性以及算法发现聚类的形状等多个方面对典型的子空间聚类算法进行了比较分析,对子空间聚类算法面临的挑战和未来的发展趋势进行了讨论.     

带障碍约束的遗传K中心空间聚类分析

空间聚类分析是空间数据挖掘中的一个重要研究课题。传统聚类算法忽略了真实世界中许多约束条件的存在，而约束条件的存在会影响聚类结果的合理性。讨论了带障碍约束的空间聚类问题，研究了一种基于遗传和划分相结合的带障碍约束空间数据聚类分析方法，设计了一个带障碍约束的遗传K中心空间聚类分析算法。对比实验表明，该方法兼顾了局部收敛和全局收敛性能，考虑到了现实障碍物对聚类结果的影响，使得聚类结果更具有实际意义，其结果优于传统K中心聚类及单纯的遗传聚类，不足之处是其计算速度相对较慢。     

基于Voronoi图的障碍不确定数据的聚类算法

数据采集过程中普遍存在不确定性,并且在现实地理空间中,不确定数据之间可能存在障碍物间隔。为解决障碍空间中不确定数据的聚类问题,提出APPGCUO算法,该算法包括三个过程:在障碍物约束下采用R树节点最小最大值方法提出的RPT-OUCure算法,用以生成局部最优解,提高生成局部最优解的效率;继而利用近似骨架的理论提出GIABO算法,以局部最优解生成有效初始解,避免划分聚类算法中任意初始解的不足;最后结合Voronoi图的特性提出VPT-KMediods算法,减少不确定数据的积分运算量。实验结果表明,APPGCUO算法具有较高的聚类效率和质量。     

基于粒子群优化的带障碍约束空间聚类分析

聚类分析是空间数据挖掘的主要方法之一.传统聚类算法忽略了真实世界中许多约束条件的存在,而约束条件的存在会影响聚类结果的合理性.在分析K中心聚类方法易陷入局部极小值和对初始值敏感的基础上,提出了一种新的聚类方法--基于粒子群优化的带障碍约束空间聚类方法.实验结果表明,该聚类方法不仅使得聚类结果更具实际意义,而且在全局寻优能力方面明显优于K中心聚类方法,且有较快的收敛速度.     

一种融合密度聚类与区域生长算法的快速障碍物检测方法

针对智能车在城市环境下采集的3维激光雷达点云中相邻障碍物难以区分、远距离检测易分裂以及小障碍物易漏检的问题，将密度聚类算法与区域生长算法融合，提出了一种鲁棒的障碍物快速检测方法．该方法首先利用区域生长算法对点云栅格完成第1次聚类并标记出可能含有更小障碍物的栅格，然后利用参数自适应的DBSCAN（density-based spatial clustering of applications with noise）对体积较大、可能包含多目标的障碍物检测结果进行细化，最后对已标记的栅格进行第2次区域生长聚类，完成小障碍物的检测．实验结果表明，本方法在城市环境下能够准确区分和检测出障碍物，检测准确率平均可达97%，平均耗时为13 ms．     

基于Voronoi图的有障碍物空间聚类

Voronoi图具有侧向临近特性，可以方便表达空间临近关系。根据这一性质，解决在空间数据聚类分析中的有实体障碍物所面临的问题。通过生成考虑实体障碍物的Voronoi图，建立Voronol图的距离度量方法，提出采用循障碍物求距离法，可以方便地完成有障碍物的空间聚类分析。该方法使得有实体障碍物情况下空间聚类更加准确，并通过实验进行验证。     

基于障碍约束的空间聚类算法综述

传统的空间聚类算法解决的是未带障碍约束的空间数据聚类问题,而现实的地理空间中经常会存在河流、山脉等阻碍物,因此,传统空间聚类算法不适用于带障碍数据约束的现实空间.在解析了带障碍空间聚类相关概念和定义的前提下,对带障碍约束条件的空间聚类算法进行梳理,给出了这类算法的研究历史和沿袭关系,并把这类算法按七个维度分为四大类,分析了每类的技术优缺点,最后给出了带障碍约束的空间聚类算法的未来研究趋向.     

带障碍的空间分级聚类算法

带障碍的聚类问题是一个具有实际应用价值的问题，因为现实世界中确实存在河流、山脉等之类的物理障碍，这们的存在会影响聚类结果的合理性。传统的聚类算法在进行空间数据的聚类时，往往忽略了障碍对于聚类结果的影响。本文讨论了不同障碍对数据点间连通性的不同影响，提出了带障碍的分级聚类算法OBHIEC。分级聚类方法使得需要计算障碍距离的点对数目减少，并能处理数据分布密度不同的情况。实验结果表明，OBHIEC算法能有效完成带障碍的聚类，并具有较好的增量特性。     

一种改进的带障碍的基于密度和网格的聚类算法

提出了一个改进的带障碍的网格弥散聚类算法DCellO1:以网格为基础,将基于密度的聚类算法与图形学种子填充算法相结合。该算法能进行任意形状的带障碍聚类,并且在对象分布不均匀时也能获得较好的聚类结果。实验证明了该算法的有效性与优越性。     

A density-based spatial clustering for physical constraints

We propose a spatial clustering method, called DBRS+, which aims to cluster spatial data in the presence of both obstacles and facilitators. It can handle datasets with intersected obstacles and facilitators. Without preprocessing, DBRS+ processes constraints during clustering. It can find clusters with arbitrary shapes. DBRS+ has been empirically evaluated using synthetic and real data sets and its performance has been compared to DBRS and three related methods for handling obstacles, namely AUTOCLUST+, DBCLuC*, and DBRS_O.