局部聚类的鉴别：一种基于模型的Moran＇s I检验

传统意义上的Moran＇s I只能检验出是否存在聚类，但不能检验出是否存在局部聚类。为了弥补这项不足，在对数线性模型的基础上作Moran＇s I差检验，记作Idr o在非齐性总体下，L比传统侑较好的第一类错误概率。然后，在原模型中加入空间关联项重做Idr检验。当原模型中Idr是显著的，但加入空间关联项后厶不显著，表明仅存在局部聚类；当原模型中Idr是显著的，但加入空间关联项后厶仍显著，表明存在全局聚类。     

高值与低值空间聚类的精确检测

提出了两个调整数据的新方法来弥补通常空间聚类检测的不足,从而能够对高值或低值聚类进行精确检测.两个方法被分别在模拟的空间类型中应用于Moran'I检测.结果表明,当不存在空间聚类时,该方法对原检测毫无影响;当有聚类趋势时,经该方法调整数据后,可以显著地检测出高值或低值聚类的存在.     

基于减法聚类的带钢厚度数据驱动建模

针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象,提出了一种基于减法聚类的带钢厚度数据驱动在线建模方法.首先通过减法聚类将输入空间划分为一些小的局部空间,在每个局部空间中用最小二乘支持向量机建立子模型,子模型加权输出作为带钢厚度的离线模型;然后当在线数据不断增加时,通过在线减法聚类算法实时调整局部空间,子模型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识,子模型的预测输出作为模型的最后输出.实验结果表明,该方法具有良好的预测精度和较强的在线学习能力.     

用聚类支持向量机模型监测环保设备运行状态

针对环保设备多状态监测与识别问题,提出了一种基于多分类聚类支持向量机的分类算法模型.该算法模型充分利用多个相关联被监测设备及其状态属性特征,采用神经网络聚类分析获得关联特征的聚类子空间,再对聚类子空间构造二叉树支持向量机进行多分类识别.该算法模型避免了盲目分类,与单纯的支持向量机算法比较具有更好的分类性能.通过对日本大晃船用污水处理装置实测样本的训练、检验表明,该算法具有98%以上的分类识别率.     

两阶段最小二乘回归子空间聚类方法

针对高维数据的非线性特性会降低最小二乘回归(LSR)子空间聚类的性能,提出两阶段LSR(TLSR)子空间聚类方法.该方法利用LSR的表示系数定义局部信息惩罚项,构造局部约束LSR方法.在8个数据集上的实验表明该方法适合高维数据的聚类.     

高值空间聚类的精确检测

提出了一个数据调整的方法来弥补通常空间聚类检测的不足，从而能够对高值聚类进行精确检测。利用Matlab软件将该方法在模拟的空间类型中应用于Moran’I检测。结果表明，当有高值聚类趋势时，经该方法调整数据后利用Moran’I可以显著地检测出高值聚类的存在。     

贵州省县域经济空间关联效应分析

采用探索性空间数据分析方法对贵州省2000—2013年县域经济的空间分布格局及空间关联模式变化进行了分析;以实证性空间数据分析方法构建了适合贵州省县域经济发展的空间线性回归模型,并以此分析空间关联因素对经济增长的影响.研究表明:贵州省县域经济表现出显著的空间聚集分布特征,空间关联性显著,但不同区域的空间相互作用存在差异;空间关联要素对县域经济发展具有显著影响,以空间误差模型构建的贵州省县域经济发展模型更适合解释各要素同经济发展间的关系.     

两阶段密度意识子空间聚类模型

针对网格聚类方法在高维子空间聚类中网格规模随着维度急剧升高的问题,以及差别阈值方法引入干扰小聚簇的问题,提出一种具有两个网格划分阶段的密度意识子空间聚类模型。该模型第一阶段采用粗网格找出可能存在聚类的子空间区域,第二阶段在这些区域中进行等效精度更高的网格划分并找出所有致密单元。该模型在两个阶段处理的网格规模均远低于密度意识子空间聚类模型在相同划分精度下的网格规模,同时利用第一阶段对网格空间的筛选作用降低小聚簇干扰,提高聚类质量。合成数据集实验表明:该模型聚类精准率和查全率性能明显优于原模型;基于真实数据集实验,相比一次划分模型,该模型以损失0.4%数据点的代价提高输出聚类密度19.4%,聚类质量大幅提升。     

基于空间自相关的城市道路事故多发点鉴别

提出了基于空间自相关鉴别城市道路事故多发点的方法,并利用5年内交通事故数据进行验证.首先,以非参数核密度估计模型描述交通事故点的空间二维分布,得到事故分布密度的最优窗宽为115.2m,借此划分路段的空间单元.然后,基于地理信息系统"面弧"城市道路网络拓扑模型构建空间统计单元,并集计事故数和事故严重度指数属性.最后,通过全局Moran指数检验,事故数据呈现聚集的空间分布模式,局部G统计量鉴别出属性值高低的聚类,并生成事故多发点分布图.研究结果表明,与事故频率建模的负二项模型相比,事故位置与属性数据一体化下的空间数据分析不但能够鉴别路段(交叉口)的事故多发点,而且能够对其属性值进行空间关联排序,交通管理部门可利用空间分析可视化结果定位事故多发点和进一步开展交通安全决策研究.     

具有全局优化能力的K均值聚类算法

传统的K均值聚类算法是确定性的迭代算法,具有探索能力弱、容易陷入局部最优的缺点.在聚类中心的更新过程中加入系数因子线性递减的随机项,使改进的迭代算法在前期具有强的探索能力,而在后期保持良好的局部搜索能力,同时保持了传统K均值聚类算法结构简单的特点.实例说明,增加了随机项的K均值聚类算法具有良好的全局优化能力.