杨杰，张新长，何显锦

(1. 吉首大学生态旅游湖南省重点实验室∥城乡资源与规划学院，湖南 张家界 427000; 2.中山大学地理科学与规划学院，广东 广州 510275)

一种融合多算法的面状要素空间聚类方法*

杨杰1, 2，张新长2，何显锦2

(1. 吉首大学生态旅游湖南省重点实验室∥城乡资源与规划学院，湖南 张家界 427000; 2.中山大学地理科学与规划学院，广东 广州 510275)

空间聚类各算法均有各自的优缺点，可通过融合各算法优点达到对空间聚类算法改进优化的效果。提出了一种融合多算法的面状要素空间聚类方法。该方法利用遗传算法等优化算法优化K-means算法的初始聚类中心，利用基于密度的快速聚类算法选取K-means算法的k值，最终利用改进的K-means算法得到空间聚类结果。此外该方法针对遗传算法易受初始种群影响、运算效率低等缺陷进行了改进。经实验验证，文中方法结果稳定，算法效率、结果精准度较传统算法提升明显。

空间聚类；融合；智能优化算法；存储池

聚类分析是在没有先验知识前提下的一种重要的数据挖掘技术，其目的是找到数据的潜在自然分组[1]。而空间聚类则是聚类针对空间数据集的拓展。通过空间聚类可以发现空间数据集隐含的知识或信息，包括空间实体聚集趋势、分布规律和发展变化趋势等[2-3]。目前，国内外学者对于空间聚类方法进行了较为深入的研究，其现已在地理空间数据挖掘及知识发现等领域中广泛应用[4-7]。

顾及专题属性特征的空间聚类才能完整的获得空间数据集隐含的知识和信息，但其算法也更复杂。……