現(xiàn)有網(wǎng)格空間多尺度聚類方法未能將尺度因子作為模型參數(shù)實現(xiàn)尺度驅(qū)動的閾值提取,導(dǎo)致算法調(diào)參困難,難以全面挖掘空間數(shù)據(jù)的分布模式。海量空間點數(shù)據(jù)蘊(yùn)含的信息更豐富,層次結(jié)構(gòu)也更復(fù)雜,對聚類算法的參數(shù)自動化和計算效率提出了更高的要求。針對上述問題,該文從數(shù)據(jù)尺度和觀察尺度提出了一種適用于海量數(shù)據(jù)的多尺度聚類挖掘方法:分別通過網(wǎng)格多分辨率和低通保邊濾波器的尺度拓展機(jī)制實現(xiàn)了數(shù)據(jù)尺度和觀察尺度上的尺度變換;將觀察尺度層級作為參數(shù)引入大津法中,實現(xiàn)了觀察尺度的密度閾值自動提取。實驗結(jié)果表明:相比于傳統(tǒng)低通濾波,該濾波方法具有良好的去噪保邊效果;多尺度密度閾值提取算法能夠有效地捕捉數(shù)據(jù)集中豐富的多層次信息,且計算復(fù)雜度低,可用于快速挖掘各類海量空間點數(shù)據(jù)中的多層次空間結(jié)構(gòu)。 

【文章來源】：地理與地理信息科學(xué). 2020,36(01)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

低通保邊濾波結(jié)果

觀察尺度用于表征確定網(wǎng)格劃分下的數(shù)據(jù)集從微觀到宏觀的多層次規(guī)律。在空間規(guī)律的多尺度系統(tǒng)中,高層次空間規(guī)律涉及范圍廣、穩(wěn)定性強(qiáng)、更注重宏觀趨勢,低層次空間規(guī)律涉及范圍小、穩(wěn)定性弱、更注重微觀細(xì)節(jié)[31];而且,低層次空間的噪聲也可能成為高層次空間的結(jié)構(gòu)性成分,這些規(guī)律的多層次性造就了多層級的觀察尺度。因此,為分析完整的空間層次規(guī)律,捕捉多個觀察尺度的信息十分必要[32]。宏觀規(guī)律是微觀規(guī)律的組合表現(xiàn),通過逐步整合局部細(xì)節(jié)所蘊(yùn)含的整體性趨勢,可得宏觀空間規(guī)律,而低通卷積濾波器能夠?qū)崿F(xiàn)局部空間信息的整合,有利于發(fā)現(xiàn)多個局部信息中更穩(wěn)定的整體性規(guī)律[33]。如圖2所示,通過對原始點數(shù)據(jù)網(wǎng)格化并迭代執(zhí)行多次低通濾波操作,發(fā)現(xiàn)數(shù)據(jù)集中的小簇不斷融合成大簇,低層細(xì)節(jié)信息被逐層過濾,數(shù)據(jù)分布的整體性結(jié)構(gòu)逐步突出�；谶@一思想,本文通過濾波器的尺度變換,實現(xiàn)了觀察尺度變換的效果,以支持微觀到宏觀空間規(guī)律的逐層挖掘。

宏觀規(guī)律是微觀規(guī)律的組合表現(xiàn),通過逐步整合局部細(xì)節(jié)所蘊(yùn)含的整體性趨勢,可得宏觀空間規(guī)律,而低通卷積濾波器能夠?qū)崿F(xiàn)局部空間信息的整合,有利于發(fā)現(xiàn)多個局部信息中更穩(wěn)定的整體性規(guī)律[33]。如圖2所示,通過對原始點數(shù)據(jù)網(wǎng)格化并迭代執(zhí)行多次低通濾波操作,發(fā)現(xiàn)數(shù)據(jù)集中的小簇不斷融合成大簇,低層細(xì)節(jié)信息被逐層過濾,數(shù)據(jù)分布的整體性結(jié)構(gòu)逐步突出�；谶@一思想,本文通過濾波器的尺度變換,實現(xiàn)了觀察尺度變換的效果,以支持微觀到宏觀空間規(guī)律的逐層挖掘。1.2 算法流程


本文編號：3250260