[发明专利]一种自适应聚类方法

权利要求书

1.一种自适应聚类方法，其特征在于，包括以下步骤：

步骤1：收集处理研究区数据集并明确聚类目标；

若是对数据集的空间属性进行聚类，则顺序执行下述步骤2、步骤4和步骤 5；

若是对数据集的空间属性与非空间属性进行聚类，则顺序执行下述步骤2、 步骤3、步骤4和步骤5；

步骤2：对数据集的空间属性进行聚类；

分析数据集的空间属性，将空间属性相近的目标聚集成簇，实现空间相邻， 且空间分布密度相似的目标聚集成簇；

步骤3：对数据集的非空间属性进行聚类；

在步骤2的基础上，分析每个簇的非空间属性分布，进一步将非空间属性相 近的目标聚集成簇；

步骤4：对已有的聚类结果进行优化，将与邻近簇属性相近的噪声和较小簇 归并到邻近簇内；

步骤5：聚类结果输出。

2.根据权利要求1所述的自适应聚类方法，其特征在于：步骤1所述的收集 处理研究区数据集，其中对数据集进行处理的方法主要包括采用空间插值方法实 现空缺数据的修补、对重复的数据进行删除和在涉及非空间属性聚类时对用于聚 类分析的非空间属性进行选取。

3.根据权利要求1所述的自适应聚类方法，其特征在于，步骤2的具体实 现包括以下子步骤：

步骤2.1：初始化调节参数β；

步骤2.2：构建Delaunay三角网G确定目标间的邻近关系，若存在空间障碍 的影响，则打断与空间障碍相交的Delaunay三角网边；

步骤2.3：删除整体上过长的Delaunay三角网边，整体约束条件表达式为

Global_cut_value(p)=Global_mean(G)+Global_mean(G)×Global_variation(G)mean(p);]]>

其中Global_mean(G)和Global_variation(G)表示三角网G所有边的长度均 值和均方差，利用下列公式计算：

Global_mean(G)=Σi=1N|ei|/N;=Global_variation(G)=Σi=1N(|ei|-Global_mean(G))2N-1;]]>

mean(p)表示与实体p直接相连的所有边的长度均值，利用下列公式计算：

mean(p)=Σi=1n|ei|/n;]]>

其中N表示三角网G中边的数目，n表示与p直接相连的边的数目，|e_i|表示与 实体p直接相连的边的长度；

依据整体层次约束，删除Delaunay三角网中长度大于Global_cut_value(p) 的边；

步骤2.4：删除局部层次上过长的Delaunay三角网边，局部约束条件表达 式为：

Local_cut_value(p)=MeanGi2(p)+β×Mean_variation(Gi);]]>

其中表示在删除整体层次上的长边之后，子图G_i中实体二阶邻域 内的所有边的长度均值，利用下列公式计算：

MeanGi2(p)=Σi=1m|ei|/m;]]>

其中m表示p二阶邻域边长的数目；

Mean_variation(G_i)表示p所在的子图G_i内所有实体的一阶邻域内所有边长 均方差的均值，利用下列公式计算：

Mean_variation(Gi)=Σb=1NiLocal_variation(pb)/Ni;]]>

Localvariation(pb)=Σb=1npb(|eb|-mean(pb))2n-1;]]>

其中N_i表示子图G_i中实体的个数，表示实体p_b的一阶邻域内边长的数目；

依据局部边长约束，删除Delaunay三角网中实体边长大于 Local_cut_value(p)的边。