第1章 绪论 1
1.1 空间聚类分析的产生 1
1.2 空间聚类分析的研究概况与基本问题 2
1.2.1 空间聚类分析的研究概况 2
1.2.2 空间聚类分析的定义 4
1.2.3 空间聚类分析的基本框架 6
1.2.4 空间聚类算法分类 8
1.3 本书研究的主要内容 8
1.4 本章小结 10
参考文献 10
第2章 空间数据清理与聚类趋势分析 14
2.1 引言 14
2.2 空间数据的基本特征与性质 14
2.2.1 空间数据的基本特征 14
2.2.2 空间数据的基本性质 15
2.3 空间数据清理 16
2.4 空间聚类趋势分析 17
2.4.1 二维空间点集聚类趋势分析 17
2.4.2 顾及专题属性的聚类趋势分析 21
2.5 本章小结 23
参考文献 23
第3章 空间相似性度量 25
3.1 引言 25
3.2 空间距离度量 25
3.2.1 空间点实体间距离度量 25
3.2.2 扩展空间实体的距离表达 28
3.3 空间实体间专题属性相似性度量 35
3.3.1 距离测度 35
3.3.2 相似性测度 36
3.3.3 匹配测度 37
3.4 本章小结 38
参考文献 39
第4章 现有空间聚类算法分析 40
4.1 引言 40
4.2 空间聚类分析的基本要求 40
4.2.1 空间数据的复杂性对聚类算法的要求 40
4.2.2 用户对空间聚类算法的要求 42
4.2.3 空间数据多尺度特性对空间聚类算法的要求 42
4.3 空间聚类算法分析 43
4.3.1 基于划分的算法 43
4.3.2 基于层次的算法 50
4.3.3 基于密度的算法 57
4.3.4 基于图论的算法 62
4.3.5 基于模型的算法 65
4.3.6 基于格网的算法 67
4.3.7 混合的算法 69
4.4 空间聚类算法性能分析 70
4.5 本章小结 71
参考文献 71
第5章 空间点实体聚类算法 75
5.1 引言 75
5.2 基于局部分布的空间聚类算法 75
5.2.1 问题描述与研究策略 75
5.2.2 算法描述 76
5.2.3 实验分析与比较 79
5.3 适应局部密度变化的空间聚类算法 81
5.3.1 问题描述与研究策略 81
5.3.2 算法描述 82
5.3.3 实验分析与比较 85
5.4 基于场论的空间聚类算法 88
5.4.1 问题描述与研究策略 88
5.4.2 算法描述 88
5.4.3 实验分析与比较 92
5.5 基于Delaunay三角网的自适应空间聚类算法 94
5.5.1 问题描述与研究策略 94
5.5.2 算法描述 94
5.5.3 实验分析与比较 100
5.6 顾及空间障碍的自适应空间聚类算法 107
5.6.1 问题描述与研究策略 107
5.6.2 算法描述 108
5.6.3 实验分析及比较 109
5.7 基于场论的层次空间聚类算法 112
5.7.1 问题描述与研究策略 112
5.7.2 算法描述 113
5.7.3 实验分析及比较 114
5.8 基于双重距离的空间聚类算法 116
5.8.1 问题描述与研究策略 116
5.8.2 算法描述 116
5.8.3 实验分析与比较 119
5.9 基于图论与密度的混合空间聚类算法 121
5.9.1 问题描述与研究策略 121
5.9.2 算法描述 122
5.9.3 实验分析与比较 126
5.10 本章小结 133
参考文献 134
第6章 建筑物与动态轨迹空间聚类方法 137
6.1 引言 137
6.2 建筑物空间聚类分析 137
6.2.1 建筑物层次约束空间聚类策略 138
6.2.2 基于旋转卡壳距离的建筑物空间聚类算法 140
6.2.3 集成集合相似性度量的建筑物空间聚类算法 143
6.3 动态轨迹空间聚类分析 148
6.3.1 动态轨迹空间聚类分析研究回顾 148
6.3.2 基于分割-分组框架的动态轨迹聚类分析算法 149
6.4 本章小结 152
参考文献 152
第7章 空间聚类有效性评价 154
7.1 引言 154
7.2 空间聚类有效性评价方法 154
7.2.1 外部评价法 155
7.2.2 内部评价法 155
7.2.3 相对评价法 156
7.3 基于力学思想的空间聚类有效性评价方法 162
7.3.1 SCV指数 163
7.3.2 算法描述 164
7.3.3 实验分析及比较 164
7.4 本章小结 168
参考文献 168
第8章 总结与展望 171
8.1 本书总结 171
8.2 研究展望 172
附录 空间聚类分析软件EasyCluster 173