現(xiàn)有網格空間多尺度聚類方法未能將尺度因子作為模型參數實現(xiàn)尺度驅動的閾值提取,導致算法調參困難,難以全面挖掘空間數據的分布模式。海量空間點數據蘊含的信息更豐富,層次結構也更復雜,對聚類算法的參數自動化和計算效率提出了更高的要求。針對上述問題,該文從數據尺度和觀察尺度提出了一種適用于海量數據的多尺度聚類挖掘方法:分別通過網格多分辨率和低通保邊濾波器的尺度拓展機制實現(xiàn)了數據尺度和觀察尺度上的尺度變換;將觀察尺度層級作為參數引入大津法中,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據集中豐富的多層次信息,且計算復雜度低,可用于快速挖掘各類海量空間點數據中的多層次空間結構。 

【文章來源】：地理與地理信息科學. 2020,36(01)北大核心CSCD

【文章頁數】：10 頁

【部分圖文】：

低通保邊濾波結果

觀察尺度用于表征確定網格劃分下的數據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、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構性成分,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節(jié)所蘊含的整體性趨勢,可得宏觀空間規(guī)律,而低通卷積濾波器能夠實現(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,通過對原始點數據網格化并迭代執(zhí)行多次低通濾波操作,發(fā)現(xiàn)數據集中的小簇不斷融合成大簇,低層細節(jié)信息被逐層過濾,數據分布的整體性結構逐步突出�；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節(jié)所蘊含的整體性趨勢,可得宏觀空間規(guī)律,而低通卷積濾波器能夠實現(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,通過對原始點數據網格化并迭代執(zhí)行多次低通濾波操作,發(fā)現(xiàn)數據集中的小簇不斷融合成大簇,低層細節(jié)信息被逐層過濾,數據分布的整體性結構逐步突出。基于這一思想,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