基于密度聚类的空间数据挖掘算法研究

论文摘要

随着空间数据获取技术的快速发展,空间数据的数量、大小和复杂性都在急剧增加,已经远远超出了人们的解释能力,致使“空间数据爆炸但知识贫乏”。因此,利用空间数据挖掘和知识发现从空间数据库中挖掘出事先未知的、却潜在有用的空间模式变得十分必要。然而由于空间数据的复杂性,及数据量的庞大,给空间数据挖掘带来了一定的难度。如何使用有效的数据挖掘手段从空间数据库中挖掘出有用的信息,是当前亟需解决的一大问题。本文在深入研究了国内外空间数据挖掘算法研究现状的基础上,比较与分析了现有空间数据挖掘算法,讨论了影响空间数据挖掘效率的空间索引技术,对基于密度聚类算法进行了研究与比较,并针对密度聚类算法对空间数据挖掘大量数据点处理上的时间复杂性及对参数的敏感性问题,提出了一种具有矢量约束侯选点的RCDBSCAN算法。该算法以传统的基于密度的聚类算法DBSCAN算法为基础,以发现线形聚类结构为目标,采用了矢量约束候选点的方法来进行候选点的选取,减少了数据点的处理;同时采用数据分区技术对数据集进行分区,再在各个分区进行密度聚类,降低了初始参数的敏感性;为了加快数据的存取速度,算法采用SS索引方法对数据进行访问。最后,采用国家地理研究所提供的太行山区空间地理数据对算法进行了实验验证,实验结果表明,本文提出的算法较传统DBSCAN算法在时间复杂度上有了较大的改进,同时对聚类簇边界点的处理收到良好的效果,为三维地形分析提供了有效的保证。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 国内外研究现状
• 1.2.1 空间聚类研究现状
• 1.2.2 基于密度的空间聚类算法研究现状
• 1.3 主要研究内容
• 1.4 论文的组织结构
• 第二章 聚类分析
• 2.1 聚类分析
• 2.2 聚类分析技术的分类
• 2.3 聚类分析中一些重要概念
• 2.4 聚类所涉及的相关问题
• 2.4.1 聚类对象的表示方法和特征选取
• 2.4.2 相似度度量标准
• 2.5 聚类分析技术的应用
• 2.6 聚类算法研究面临的挑战
• 第三章 基于密度的聚类算法
• 3.1 DBSCAN 算法
• 3.2 DBSCAN 算法的改进
• 3.2.1 PDBSCAN 算法
• 3.2.2 FDBSCAN 算法
• 3.2.3 SDBSCAN 算法
• 3.3 OPTICS 算法
• 3.4 CLIQUE 算法
• 3.5 DENCLUE 算法
• 3.6 DBSCAN 系列算法中的实现技术—空间索引
• 3.6.1 基于hash 的网格类索引
• 3.6.2 四叉树（Quadtree）系列
• 3.6.3 K-D 树系列
• 3.6.4 R 树系列
• 3.6.5 其它树型空间索引
• 3.6.6 空间索引的总体性能分析
• 第四章 一种具有矢量约束候选点的RCDBSCAN 算法
• 4.1 基本概念
• 4.2 具有矢量约束侯选点的RCDBSCAN 算法
• 4.2.1 算法思想
• 4.2.2 方向的设定
• 4.2.3 候选点的选取
• 4.3 算法描述
• 4.4 算法实现
• 4.5 算法复杂度分析
• 第五章 仿真实验
• 5.1 算法实验背景
• 5.2 算法有效性实验分析
• 5.3 算法执行时间实验
• 5.4 聚类簇边界点检测实验
• 第六章 总结与展望
• 参考文献
• 研究生在读期间取得的研究成果
• 致谢
• 个人简介