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 发布日期:2013-11-01 出版日期:2013-10-01
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]	张治政, 张啸剑, 王俊清, 冯光辉. 结合差分隐私与安全聚集的联邦空间数据发布方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2777-2784.
[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]	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.
[4]	马志峰, 于俊洋, 王龙葛. 多样性表示的深度子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 407-412.
[5]	任奇泽, 贾洪杰, 陈东宇. 融合局部结构学习的大规模子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3747-3754.
[6]	高磊, 罗关凤, 刘荡, 闵帆. 基于聚类和局部线性回归的初至波自动拾取算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 655-662.
[7]	范莉莉, 卢桂馥, 唐肝翌, 杨丹. 基于Hessian正则化和非负约束的低秩表示子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 115-122.
[8]	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.
[9]	高冉, 陈花竹. 改进的基于谱聚类的子空间聚类模型[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3645-3651.
[10]	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.
[11]	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.
[12]	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》唯一官方网站, 2020, 40(2): 465-472.
[13]	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》唯一官方网站, 2020, 40(2): 381-385.
[14]	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.
[15]	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.