基于层次Voronoi图的点群相似度算法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2974-2976.

基于层次Voronoi图的点群相似度算法

康顺,李佳田

昆明理工大学国土资源工程学院,昆明 650093

收稿日期:2013-04-04 修回日期:2013-05-08 出版日期:2013-10-01 发布日期:2013-11-01
通讯作者: 康顺
作者简介:
康顺(1987-),男,辽宁营口人,硕士研究生,主要研究方向:空间数据可视化表达的图形方法;李佳田(1975-),男,黑龙江佳木斯人,副教授,博士,主要研究方向:GIS不规则空间剖分模型与方法。
基金资助:
国家自然科学基金资助项目;云南省自然科学基金资助项目;云南省教育厅重点基金资助项目

Algorithm of point cluster similarity based on hierarchical Voronoi diagrams

KANG Shun,LI Jiatian

Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming Yunnan 650093, China

Received:2013-04-04 Revised:2013-05-08 Online:2013-11-01 Published:2013-10-01
Contact: KANG Shun

摘要/Abstract

摘要： 通过对空间点群的自适应聚类方法构建层次Voronoi图,以此层次Voronoi图为切入点,计算点群的拓扑、密度和范围的相似度,结合有关标准差的数理统计方法,计算角度、距离的相似度。在各维度的相似度基础上,使用其几何平均值作为点群整体相似度的度量标准,优化点群相似度的计算方法,并通过实验证明算法的可行性

关键词: 点群, 聚类, 层次Voronoi图, 相似度

Abstract: The hierarchical Voronoi diagrams were built through an adaptive clustering method of spatial point clusters. Based on the hierarchical Voronoi diagrams, the topology, density and scope similarities were calculated. The radian and distance similarity were calculated in combination of the standard deviation in mathematical statistics. On the base of every dimensional similarity, the principle of point cluster similarity was decided by the geometrical mean of these parameters. This optimizes the method of the point cluster similarity and the experiment proves its feasibility.

Key words: point cluster, clustering, hierarchical Voronoi diagram, similarity

中图分类号:

康顺李佳田. 基于层次Voronoi图的点群相似度算法[J]. 计算机应用, 2013, 33(10): 2974-2976.

KANG Shun LI Jiatian. Algorithm of point cluster similarity based on hierarchical Voronoi diagrams[J]. Journal of Computer Applications, 2013, 33(10): 2974-2976.

[1]	张成, 万源, 强浩鹏. 基于知识蒸馏的深度无监督离散跨模态哈希[J]. 计算机应用, 2021, 41(9): 2523-2531.
[2]	陈恒恒, 倪志伟, 朱旭辉, 金媛媛, 陈千. 基于聚类分析的差分隐私高维数据发布方法[J]. 计算机应用, 2021, 41(9): 2578-2585.
[3]	陈俊, 何庆. 基于余弦相似度的改进蝴蝶优化算法[J]. 计算机应用, 2021, 41(9): 2668-2677.
[4]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[5]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[6]	吴悦, 雒江涛, 刘锐, 胡钟尹. 基于感知哈希和切块的视频相似度检测方法[J]. 计算机应用, 2021, 41(7): 2070-2075.
[7]	戴嫣然, 戴国庆, 袁玉波. 基于肤色学习的多人脸前景抽取方法[J]. 计算机应用, 2021, 41(6): 1659-1666.
[8]	张豪, 朱睿, 宋栿尧, 方鹏, 夏秀峰. 距离-关键字相似度约束的双色反k近邻查询方法[J]. 计算机应用, 2021, 41(6): 1686-1693.
[9]	李国荣, 冶继民, 甄远婷. 基于新的鲁棒相似性度量的时间序列聚类[J]. 计算机应用, 2021, 41(5): 1343-1347.
[10]	王治和, 常筱卿, 杜辉. 基于万有引力的自适应近邻传播聚类算法[J]. 计算机应用, 2021, 41(5): 1337-1342.
[11]	马建红, 曹文斌, 刘元刚, 夏爽. 基于功效特征的专利聚类方法[J]. 计算机应用, 2021, 41(5): 1361-1366.
[12]	李杏峰, 黄玉清, 任珍文, 李毅红. 基于自适应邻域的鲁棒多视图聚类算法[J]. 计算机应用, 2021, 41(4): 1093-1099.
[13]	龙超奇, 蒋瑜, 谢雨. 基于峰值网格改进的小波聚类算法[J]. 计算机应用, 2021, 41(4): 1122-1127.
[14]	吕佳, 鲜焱. 结合改进密度峰值聚类和共享子空间的协同训练算法[J]. 计算机应用, 2021, 41(3): 686-693.
[15]	郭佳, 韩李涛, 孙宪龙, 周丽娟. 自动确定聚类中心的比较密度峰值聚类算法[J]. 计算机应用, 2021, 41(3): 738-744.