HGDSC：融合图论与密度的高效空间聚类法

本文主要探讨了一种融合图论与密度思想的混合空间聚类方法，名为HGDSC（Hybrid Spatial Clustering Method based on Graph Theory and Spatial Density），发表于2012年的武汉大学学报·信息科学版。该方法由石岩、刘启亮、邓敏和林雪梅等人提出，旨在解决空间聚类中的一个重要挑战：如何同时考虑空间实体的邻近性和非空间属性的相似性。 HGDSC的核心在于利用附加约束的Delaunay三角网来构建空间实体之间的邻接关系。Delaunay三角网是一种在空间中将点集划分成三角形的方式，确保每个点到其相邻三角形的所有顶点的距离都不大于到其他任何点的距离。这种方法为建立实体间的邻接关系提供了几何上的基础，使得聚类过程更具有直观性和有效性。 传统的空间聚类方法通常只关注实体的几何位置，而HGDSC则在此基础上引入了非空间属性的重要性。它对基于密度的聚类算法进行了改进，这意味着不仅依赖于实体之间的空间距离，还考虑了非空间属性的相似度，这有助于提高聚类的精度和鲁棒性。 HGDSC方法的一个关键优势在于其简化了参数设置。相比于全局参数如Eps和MinPts，这种方法只需要一个输入参数，这使得它能够更好地适应空间分布的复杂性，如处理不同密度区域和任意形状的空间簇。此外，通过融合图论和密度思想，HGDSC能够有效地处理噪声点，提高了聚类的性能。 论文通过模拟数据和实际数据的验证，证明了HGDSC在空间聚类任务中的优越性，包括发现各种形状和密度变化的空间簇，以及准确识别噪声点的能力。这表明HGDSC方法在处理空间数据时具有更高的灵活性和准确性，对于空间数据分析和挖掘具有重要的理论价值和实践应用前景。 HGDSC作为一种创新的空间聚类方法，通过结合图论和密度思想，有效解决了空间邻近性与非空间属性相结合的聚类问题，为实际领域的空间数据分析提供了一个强大的工具。