居民地聚类分析算法适应性对比研究

发布时间：2025-01-07 00:16

　　 空间分布模式是隐含的高层次空间知识,对地图综合、多尺度表达等具有重要意义。居民地群组模式是典型的空间分布模式之一。针对常见的居民地群组模式聚类算法,展开对比研究,以探究算法的适应性。模拟实验和真实数据实验分别考虑特定分布、不同密度、不同形状、群组邻近、"颈"问题等多重环境。实验表明:①K-means算法简单、高效,但无法识别任意形状和密度差异;②DBSCAN算法能够发现任意形状的群组和异常点,但对参数要求严格,需反复尝试,且全局参数难以适应群组密度分布不均匀、群组邻接、"颈"问题等现象;③CFSFDP算法能够发现不同形状、不同密度的群组,但不适用均匀分布且密度小的群组。

【文章页数】：7 页

【部分图文】：

图1 模拟数据1聚类结果

数据1结果表明:①K-means算法。阈值K=3,聚类结果如图1(a)所示,可以看出其不能正确识别嵌套的、螺旋线状分布的要素群组。②CFSFDP算法。图1(b)是决策图,横坐标是ρ,纵坐标是δ。图1(c)是将经过数据变换之后的决策图,横坐标是ρ,纵坐标是ρ和δ的乘积。可以很明显、....

图2 模拟数据2聚类结果

数据2结果表明:①K-means算法。阈值K=3,聚类结果如图2(a)所示,不能识别邻近的群组。②CFSFDP算法。根据决策图图2(b)和图2(c),可以明显看出存在2个聚类中心,从而确定阈值ρ=11,δ=8,聚类结果如图2(d)所示,密度均匀但形状不同的2个群组被较好地区分。③....

图3 模拟数据3聚类结果

数据3结果表明:①K-means算法。阈值K=3,聚类结果如图3(a)所示,不能识别出凹处包含的群组部分。②CFSFDP算法。根据决策图图3(b)和图3(c),确定存在8个聚类中心,阈值ρ=11,δ=8,聚类结果如图3(d)所示,识别出8个类簇。虽与预设类簇个数不符,但每个预设类....

图4 模拟数据4聚类结果

模拟数据4结果表明:①K-means算法。阈值K=7,聚类结果如图4(a)所示,无法处理形状复杂、类簇相接等复杂空间聚类问题。②CFSFDP算法。根据决策图图4(b)和图4(c),可以明显看出存在7个聚类中心,从而确定阈值ρ=15,δ=5,聚类结果如图4(d)所示,可以准确识别出....

本文编号：4024205