论文部分内容阅读
信息社会中数据的爆炸性增长,决策者迫切需要将海量数据转换成有价值的信息和知识。数据挖掘的出现为这一需要提供了有力的技术支持。聚类分析是数据挖掘所采用的关键技术之一,它属于机器学习中的无指导学习范畴,用于发现隐含于数据中的分类(称为簇),使得簇内对象尽可能相似而簇间对象尽可能相异。聚类分析在诸多领域得到了广泛的研究和运用。 本文首先认真研究数据挖掘技术并且分析了基于聚类的数据挖掘的基本原理,然后提出一个基于共享最近邻的聚类算法。该算法首先找出每个数据对象的k个(由参数确定)最近邻,然后根据共享最近邻计算两两对象之间的相似度,并对每个数据对象计算其密度。于是通过去除噪音数据,关联非噪音数据点与核心或代表点来构造簇。 其次,研究了生态适宜度评价的指标体系。适宜度是一定土地单元的某种特殊利用方式与其生态环境协调关系的一种量度,适宜度评价是生态规划的核心。但在过去园林绿地适宜度评价中,仅从土地单元的立地条件出发评价一定土地单元是否适宜于建设园林绿地。本研究依据景观生态学原理和方法,通过绿地景观类型与景观环境、景观功能的关系研究,探讨景观适宜性的内涵及理论体系;筛选具稳定性、主导性、可操作性的景观适宜度指标,构建合理的景观适宜度评价指标体系;并基于园林绿地GIS,分别从绿地的环境适应性、环境协调性、生态功能、美学功能及绿地的景观适宜度上对武钢厂区园林绿地适宜度进行评价。 最后,将基于共享最近邻的聚类算法用于园林绿地的生态适宜性评价中。