1、隨著空間數(shù)據(jù)獲取技術的快速發(fā)展，空間數(shù)據(jù)量急劇增加，空間數(shù)據(jù)庫中很多內(nèi)涵的知識和規(guī)律需要挖掘。聚類分析是知識發(fā)現(xiàn)的一個重要方法，要求聚類算法效率高、需要的參數(shù)能自動確定或用戶易確定。為此，本文主要圍繞如下3個方面展開研究。 1.分層聚類方法與應用通過多次嘗試、比較，對五種距離的分層聚類算法進行了性能總結；提出按照離差分析方法的思想，進一步驗證聚類結果的正確性，大大提高了算法結果的有用性；改進的分層聚類方法對數(shù)據(jù)提前進行了預聚類，

2、運算速度大大提高，能同時對離散和連續(xù)變量進行聚類，能自動選取聚類的數(shù)量，對海量的數(shù)據(jù)進行分析處理。 2.k-means聚類方法與應用提出了利用最優(yōu)化尺度變換方法，對分類數(shù)據(jù)變量進行離散化處理，所有的變量統(tǒng)一處理；提出了利用多次隨機取樣的算法，并在樣本上利用分層聚類方法判別最佳聚類的類別數(shù)量，并充分考慮數(shù)據(jù)的內(nèi)涵及其分布特點，使選取的初始聚類中心更有代表性；在此基礎上，提出了改進的k-means算法。由算法分析和實驗結果可知，對k

3、-means算法的改進在理論上是合理的，在實踐上是可行的，在一定程度上提高了聚類結果的穩(wěn)定性，減小聚類結果對初值的依賴。 3.基于聚類的空間數(shù)據(jù)挖掘系統(tǒng)設計提出了一個基于聚類的空間數(shù)據(jù)挖掘系統(tǒng)的框架，從系統(tǒng)設計目標、系統(tǒng)設計和系統(tǒng)實現(xiàn)3個部分展開研究，采用模塊化設計的思想，將系統(tǒng)設計劃分為數(shù)據(jù)訪問、聚類、用戶交互和知識庫管理4個模塊；通過系統(tǒng)的實現(xiàn)，把本文研究的聚類方法集成在一起，為基于聚類的空間數(shù)據(jù)挖掘方法與應用提供技術支撐。