《表3 4种聚类算法的轮廓系数Tab.3 Contour coefficient of four clustering algorithms》
从表3轮廓系数比较,易发现CURE算法相对比较合理。这是由于传统的算法常常采用一个对象来代表一个类。如在K-medoids聚类算法中仅由中心点代表聚类,把每个对象划归到它最邻近的代表所表示的类中,这种算法对于非球状簇效果不好。而在Single link聚类算中,每个类都用该类中所有的对象代表,两类之间的相似度用不同类中最近的对象的相似度来衡量,这种算法有时会表现出无意义或者不合逻辑的模式。而CURE算法选择基于质心和基于代表对象方法之间的中间策略,由分散的若干对象,在按收缩因子移向其所在类的中心之后来代表该类。对于相对离散和不规律分布的耕地数据,利用CURE算法的中间策略,有利于提高聚类内部的凝聚度和聚类之间的分离度,使聚类更加紧凑。由于CURE算法采用多个对象来代表一个类,并通过收缩因子来调节类的形状,在效率、对异常数据的敏感性及对数据输入敏感性方面要优于其他一些算法,因此,能够有效地处理非球形的对象分布,得到较好的耕地聚类效果。
图表编号 | XD0029625800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.25 |
作者 | 詹秀眉、李亚星、欧阳俐、朱文婷 |
绘制单位 | 闽江学院地理科学系、福州市地理信息行业创新中心、闽江学院地理科学系、福州市地理信息行业创新中心、闽江学院地理科学系、福州市地理信息行业创新中心、闽江学院地理科学系、福州市地理信息行业创新中心 |
更多格式 | 高清、无水印(增值服务) |