空間聚類分析及其在GIS中的應(yīng)用研究.pdf

1、GIS數(shù)據(jù)庫中含有海量、復(fù)雜的數(shù)據(jù)和信息,其中隱含著許多有價值的知識,而傳統(tǒng)的GIS系統(tǒng)主要局限于實現(xiàn)數(shù)據(jù)的錄入、查詢、統(tǒng)計等功能,無法有效地發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則,數(shù)據(jù)挖掘技術(shù)可以對GIS數(shù)據(jù)進(jìn)行更高層次地分析,發(fā)現(xiàn)其中隱含的知識。因此從空間數(shù)據(jù)庫中進(jìn)行知識發(fā)現(xiàn)即空間數(shù)據(jù)挖掘,己成為數(shù)據(jù)挖掘領(lǐng)域中一個重要的研究方向。
　　聚類是根據(jù)某個相似性準(zhǔn)則對模式進(jìn)行分組達(dá)到組內(nèi)相似性最大、組間差異行最大以發(fā)現(xiàn)有意義的結(jié)構(gòu)特征的過程。在

2、空間數(shù)據(jù)挖掘的技術(shù)體系中,聚類分析由于其具有探索性數(shù)據(jù)分析方法的內(nèi)在特質(zhì),被認(rèn)為是從空間數(shù)據(jù)庫中發(fā)現(xiàn)知識的一種主要方法并取得了相當(dāng)大的進(jìn)展。然而,空間數(shù)據(jù)本身呈現(xiàn)出高度復(fù)雜的特征,數(shù)據(jù)挖掘又為聚類分析帶來了大量亟待解決的新課題。為此,空間聚類分析技術(shù)值得進(jìn)一步探索的空間還很廣闊。
　　K-means方法是一種常用的空間聚類算法。它是基于劃分的一種聚類算法,該算法采用啟發(fā)式方法,實現(xiàn)簡單,收斂速度快。但是該算法存在以下兩個缺陷:(1

3、)對初值敏感;(2)該算法常常陷入到局部最優(yōu)。遺傳算法是一種全局搜索算法,它仿效了遺傳學(xué)中生物從低級到高級的進(jìn)化過程,以概率1收斂到全局最優(yōu),但是收斂速度較慢。本文綜合遺傳算法的全局收斂性和K-means方法收斂速度快的優(yōu)點,并針對聚類問題的具體特點,提出了一種E-GAC算法,提高了遺傳算法的搜索效率,同時也改善了聚類結(jié)果。
　　本文提出了一個改進(jìn)的關(guān)聯(lián)規(guī)則挖掘算法,用來對聚類結(jié)果進(jìn)行挖掘,輸出規(guī)則,供決策支持提供參考。該算法基于

4、Apriori思想,只需掃描一遍數(shù)據(jù)庫,并優(yōu)化了連接操作,提高了效率。同時,本文提出了一種迭代算法檢測空間離群點,該算法通過多次迭代檢測離群點,并在迭代過程中對離群點的屬性值進(jìn)行修正,可以提高檢測結(jié)果的正確性,并能檢測局部離群點。
　　最后,本文給出了一個基于GIS和數(shù)據(jù)挖掘的CRM系統(tǒng),并將前述研究的算法集成于其中,彌補了GIS在分析功能上的薄弱,同時又發(fā)揮了GIS在圖形顯示方面的強大功能,為數(shù)據(jù)挖掘和GIS整合找到了一種可行的