基于聚类的空间数据可视化方法

计算机应用 ›› 2013, Vol. 33 ›› Issue (10): 2981-2983.

基于聚类的空间数据可视化方法

张洋,王辰

国防科学技术大学信息系统与管理学院，长沙 410073

收稿日期:2013-04-19 修回日期:2013-06-04 出版日期:2013-10-01 发布日期:2013-11-01
通讯作者: 张洋
作者简介:张洋（1989-），男，重庆人，硕士研究生，主要研究方向：多媒体、虚拟现实;王辰（1973-），男，天津人，副教授，主要研究方向：多媒体信息系统、人机交互、指挥决策。

Spatial data visualization based on cluster analysis

ZHANG Yang,WANG Chen

College of Information Systems and Management, National University of Defense Technology, Changsha Hunan 410073，China

Received:2013-04-19 Revised:2013-06-04 Online:2013-11-01 Published:2013-10-01
Contact: ZHANG Yang

摘要/Abstract

摘要： 首先介绍了目前空间数据可视化技术的研究内容和基本方法，对基于实体和基于区域两类常用方法进行了分析和总结。在此基础上提出了一种基于聚类的空间数据可视化方法，其基本思想是利用以Delaunay三角网的自适应空间聚类算法(ASCDT)为代表的空间聚类算法进行聚类分析，并获得结果描述参数，结合基本方法和参数特征设计专门用于聚类结果表达的可视化对象，进而实现空间数据的图上投影。最后对该类方法有待进一步探讨和改进的内容进行了展望

关键词: 空间数据, 空间聚类, Delaunay三角网的自适应空间聚类算法, 空间数据可视化

Abstract: Firstly, the paper introduced the researches and basic methods of spatial data visualization technology, and analyzed two common kinds of methods, namely entity-based and region-based. A clustering-based spatial data visualization method was proposed, which firstly made a cluster analysis of spatial data and got the description parameters of the result through the use of spatial clustering algorithms represented by algorithm ASCDT (Adaptive Spatial Clustering algorithm based on Delaunay Triangulation). Secondly, it designed visual objects aimed at the cluster result by combining the basic visualization methods and the characteristics of the parameters. As a result, the mapping relationship was established. Finally, some issues that needed to be further studied and improved were discussed.

Key words: spatial data, spatial cluster, Adaptive Spatial Clustering algorithm based on Delaunay Triangulation (ASCDT), spatial data visualization

中图分类号:

TP311.131

张洋王辰. 基于聚类的空间数据可视化方法[J]. 计算机应用, 2013, 33(10): 2981-2983.

ZHANG Yang WANG Chen. Spatial data visualization based on cluster analysis[J]. Journal of Computer Applications, 2013, 33(10): 2981-2983.

[1]	管其杰, 张挺, 李德亚, 周绍景, 杜奕. 基于多分辨率生成对抗网络的空间数据不确定性重建方法[J]. 计算机应用, 2021, 41(8): 2306-2311.
[2]	朱玉娜, 张玉涛, 闫少阁, 范钰丹, 陈韩托. 基于半监督子空间聚类的协议识别方法[J]. 计算机应用, 2021, 41(10): 2900-2904.
[3]	王丽娟, 陈少敏, 尹明, 许跃颖, 郝志峰, 蔡瑞初, 温雯. 基于近邻图改进的块对角子空间聚类算法[J]. 计算机应用, 2021, 41(1): 36-42.
[4]	曾梦, 宁彬, 蔡之华, 谷琼. 使用深度对抗子空间聚类实现高光谱波段选择[J]. 计算机应用, 2020, 40(2): 381-385.
[5]	马董, 陈红梅, 王丽珍, 肖清. 空间亚频繁co-location模式的主导特征挖掘[J]. 计算机应用, 2020, 40(2): 465-472.
[6]	赵星宇, 赵志宏, 王业沛, 陈松宇. 基于聚类分析的微博广告发布者识别[J]. 计算机应用, 2018, 38(5): 1267-1271.
[7]	毕崇春, 孟祥福, 张霄雁, 唐延欢, 唐晓亮, 梁海波. 基于耦合相关度的空间数据查询结果自动分类方法[J]. 计算机应用, 2018, 38(1): 152-158.
[8]	王保全, 蒋同海, 周喜, 马博, 赵凡. 类自动车牌识别轨迹数据的伴随车辆组挖掘[J]. 计算机应用, 2017, 37(11): 3064-3068.
[9]	程铃钫, 杨天鹏, 陈黎飞. 不平衡数据的软子空间聚类算法[J]. 计算机应用, 2017, 37(10): 2952-2957.
[10]	余莉, 甘淑, 袁希平, 李佳田. 基于空间邻近的点目标聚类方法[J]. 计算机应用, 2016, 36(5): 1267-1272.
[11]	吴杰祺, 李晓宇, 袁晓彤, 刘青山. 利用坐标下降实现并行稀疏子空间聚类[J]. 计算机应用, 2016, 36(2): 372-376.
[12]	支晓斌, 许朝晖. 鲁棒的特征权重自调节软子空间聚类算法[J]. 计算机应用, 2015, 35(3): 770-774.
[13]	李松, 李林, 王淼, 崔环宇, 张丽平. RTC树的构建与不确定近邻关系查询方法[J]. 计算机应用, 2015, 35(1): 115-120.
[14]	苗立志焦东来杨立君. 面向地理标记语言空间数据的地理信息聚合[J]. 计算机应用, 2014, 34(6): 1816-1818.
[15]	王淼黄治国李松. 基于代数理论的三维主方向关系的反关系推理[J]. 计算机应用, 2014, 34(4): 1144-1148.