文档介绍：38 测绘信息与工程
Journal o f Geomat ics A ug. 2010; 35( 4)
文章编号: 1007
3817( 2010) 04
0038
02 中图分类号: P209
文献标志码: B
基于模糊推理的空间聚类方法研究
刘庆清1
邓
羽2, 3, 4
张文婷2
( 1 广东省地价评估中心, 广州市环市东路 468 号, 510075; 2 武汉大学资源与环境科学学院, 武汉市珞喻路 129 号, 430079;
3 中国科学院地理科学与资源研究所, 北京市大屯路甲 11 号, 100101; 4 中国科学院研究生院, 北京市中关村东路 80 号, 100080)
摘
要
提出了基于模糊推理的空间聚类方法, 给出了其实现步骤, 并以实例验证了其可行性和科学性。
关键词
空间聚类; 模糊推理; 空间数据挖掘; 知识发现
空间聚类是空间数据挖掘和知识发现[ 1] 的重要方法之糊推理的方法, 结果与实际情况贴切。
一, 是根据实体的特征数据对其进行聚类或分类, 对空间实输入指标包括 X 坐标、Y 坐标以及相关属性, 输入隶属
体信息进行概括和综合, 进而发现特征数据集的整个空间分度函数图如图 1 所示。输出指标则是人们对各个小学的满
布规律和典型模式[2] 。空间聚类方法有划分法、层次法、基
于网格的方法和基于密度的方法等。讨论了基于模糊推理
的空间聚类法。其可以抽象并转化成有用的信息集合, 合理
地将定性与定量相结合, 找出各个指标的满意等级及其隶属
函数, 建立模糊推理。
1
基于模糊推理的空间聚类
基于模糊推理的空间聚类方法基本思想。首先, 确定合
理的输入和输出指标, 拟定与实际相符的隶属度函数, 将输
入指标和输出指标模糊化, 即是生成 0 和 1 之间的数字; 然
后, 以指定规则为依据, 将模糊集合转换成输出模糊集合; 最
后, 选定合理的模糊蕴涵和反模糊化方法, 将模糊集合变成
图 1
输入隶属度函数图
精确的数值[3
5] 。基本内容包括: 指标模糊化, 应用模糊算
意程度打分, 输出变量隶属度图如图 2 所示。
子[6
7] , 模糊蕴涵, 模糊合成, 反模糊化。
2
应用实例
空间聚类是 GIS 功能的伸延, 能够深入地挖掘隐含在地
理空间的信息和知识, 找出某个或几个空间数据的代表结
点, 实现对其分类[8] 。在实际生活中, 尤其是政府抉择部门
经常需要找到某一个区域具有代表性的事物或者单位, 作为图 2
输出变量隶属度图
示范或者调研的对象。其中政府为引导市民选择优质小学, 模糊推理规则是模糊运算的标尺, 一般来说, 规则的制
而对城市空间范围内的小学进行的聚类分析即是典型的空定是根据长期的经验积累或者是依靠专家评价, 也可根据实
间聚类应用。以湛江市小学空间聚类分析应用为例, 详细介际情况的需要, 确定与问题相匹配的推理规则。鉴于对学校
绍构建模糊推理的过程及其需要注意的问题。分类的需求, 现制定五条基本规则为: If( X 坐标 is 中部) and
以湛江市城区小学分等为例, 将市区的 90 所小学归为( Y 坐标 is 中部) and( 属性 is 高) then( 满意程度 is 满