基于信息熵的空间对象群聚类算法研究

论文摘要

聚类是数据挖掘的基本任务之一,其目的为把相似性大的对象聚集为一簇,把相似性小的对象分离开来,从而发现潜在的、有意义的知识。空间聚类是空间数据挖掘的重要内容,是指在一个较大的多维数据集中根据距离的度量找出簇或稠密区域,在同一个簇中的对象之间具有较高的相似度,而不同簇中的对象差别较大。空间聚类分析是一项非常有意义的数据挖掘任务,在国内外得到了广泛的关注,并被应用到诸多的领域中。现有的空间聚类算法都侧重于对点对象或单一对象进行聚类分析,而没有考虑具有包含、相邻等空间拓扑关系构成的空间对象群的综合特性分析。本文研究了基于空间关系的空间对象群聚类问题,取得的成果如下：1.在综合分析空间数据特征的前提下,首先给出了空间对象群的相关定义,空间对象群就是基于空间关系将空间数据集划分成的若干个对象组；然后通过引入空间数据的预处理算法,明确阐述了空间对象群的构造过程；在此基础上,最后针对空间对象群的聚类问题进行了深入的分析,这为后续的空间对象群聚类算法的提出奠定了基础。2.提出了基于信息熵的空间对象群聚类算法ESOGC,把空间对象群包含的对象看作空间对象群的属性,采用蚁群聚类算法,根据空间对象群主题对象邻域范围内信息熵的变化实现空间对象群的聚类。对算法ESOGC进行测试,实验结果表明算法ESOGC对基于空间关系的空间对象群聚类分析是有效的。3.提出了基于相似性计算的空间对象群聚类算法NSOGC,使用信息熵定义了空间对象群之间的相似性。并将该相似性计算方法与传统空间聚类算法相结合,得到一种新的空间对象群聚类算法NSOGC。对NSOGC进行了测试,实验结果表明NSOGC对于空间对象群的聚类是有效的,提高了空间对象群聚类的效率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 研究现状
• 1.2.1 传统空间对象聚类方法
• 1.2.2 仿生进化聚类方法
• 1.2.3 信息熵聚类方法
• 1.3 本文的研究内容
• 第2章 空间对象群聚类研究的基础
• 2.1 空间聚类中的相似性度量方法
• 2.2 蚁群聚类思想及方法
• 2.3 信息熵聚类思想及方法
• 2.4 本章小结
• 第3章 空间对象群聚类问题的引入
• 3.1 空间对象拓扑关系概述
• 3.2 空间对象群描述
• 3.2.1 相关概念
• 3.2.2 空间数据集预处理算法分析
• 3.3 空间对象群聚类问题分析
• 3.4 本章小结
• 第4章 基于信息熵的空间对象群聚类算法
• 4.1 算法思想
• 4.2 算法描述
• 4.2.1 相关概念
• 4.2.2 算法步骤
• 4.3 实验结果与分析
• 4.3.1 ESOGC算法在人工数据集上的测试
• 4.3.2 ESOGC算法在我国森林数据集上的测试
• 4.4 本章小结
• 第5章 基于相似性计算的空间对象群聚类算法
• 5.1 算法思想
• 5.2 算法描述
• 5.2.1 相关概念
• 5.2.2 算法步骤
• 5.3 实验结果与分析
• 5.4 本章小结
• 第6章 结束语
• 6.1 总结
• 6.2 展望
• 参考文献
• 在读期间发表的学术论文及研究成果
• 致谢