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 发布日期:2013-11-01 出版日期:2013-10-01
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]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[2]	王清, 赵杰煜, 叶绪伦, 王弄潇. 统一框架的增强深度子空间聚类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 1995-2003.
[3]	董瑶, 付怡雪, 董永峰, 史进, 陈晨. 不完整多视图聚类综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1673-1682.
[4]	蒋小霞, 黄瑞章, 白瑞娜, 任丽娜, 陈艳平. 基于事件表示和对比学习的深度事件聚类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1734-1742.
[5]	黄天宇, 李远兴, 陈昊, 郭紫佳, 魏明军. 地空协同场景下加权模糊聚类用户簇划分方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1555-1561.
[6]	李鸿天, 史鑫昊, 潘卫国, 徐成, 徐冰心, 袁家政. 融合多尺度和注意力机制的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1437-1444.
[7]	徐童童, 解滨, 张春昊, 张喜梅. 融合转移概率矩阵的多阶最近邻图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1527-1538.
[8]	高麟, 周宇, 邝得互. 进化双层自适应局部特征选择[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1408-1414.
[9]	丁雨, 张瀚霖, 罗荣, 孟华. 基于信念子簇切割的模糊聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1128-1138.
[10]	孙林, 刘梦含. 基于自适应布谷鸟优化特征选择的K-means聚类[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 831-841.
[11]	张卓, 陈花竹. 基于一致性和多样性的多尺度自表示学习的深度子空间聚类[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 353-359.
[12]	杨成昊, 胡节, 王红军, 彭博. 基于注意力机制的不完备多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3784-3789.
[13]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[14]	巫婕, 钱雪忠, 宋威. 基于相似度聚类和正则化的个性化联邦学习[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3345-3353.
[15]	尹春勇, 周永成. 双端聚类的自动调整聚类联邦学习[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3011-3020.