青秀基于DBSCAN的农机作业轨迹研究

基于密度的聚类方法，依据样本空间中点的密度，对样本进行聚类的算法中，预期要发现的簇是由满足预定样本数量阈值要求的点集组成，并且不同的类簇由样本数阈值低于指定值的点集( 离群点集合) 分割。基于密度的算法最终要满足过滤密度低于阈值的样本区域，发现密度等于或高于指定阈值的区域。在此类算法中，无需指定簇的数量。基于密度聚类方法可以用于空间数据的聚类。数据挖掘领域中典型的基于密度的算法有:1) DBSCAN。依据用户给定参数，不断发现给定半径内的点数达到指定数量的高密度区域，并不断生长高密度区域。2) DENCLUE。聚类过程中依据样本点在指定空间中的密度进行聚类。3) OPTICS、DBCLASD、CURD。这些算法中，针对数据在数据集中呈现出的高密度区域的形状和密度，对DBSCAN 做了些补充或修正。以上3 种基于密度的聚类算法中，DBSCAN 聚类算法是一种常用的聚类算法。算法执行过程中，首先需要指定类簇的半径域Eps 和最小对象数目Min Pts;然后根据Eps 和Min Pts 判断对象集中的对象的属性( 即核心点、边界点、噪声) ; 最后根据当前对象属性判断当前对象域是否构成一个类簇，并依据此方法判断数据集中每个点的属性。DBSCAN 算法可以对农业机械作业轨迹图像点进行密度识别，挖掘其分布特征，并找到轨迹点较密的区域，从而发现轨迹点较集中的簇，可以识别轨迹中离群点。该算法的特点是可以挖掘不同形状的类簇，可以有效地排除离群点，同时较适合空间和时间轨迹数据的聚类。实践证明: 算法对Eps 和Min Pts 的设置较敏感，如设置不当可能造成聚类效果下降。依据农业机械田间作业轨迹数据的特征，本研究选择DBSCAN 作为轨迹聚类算法。农业机械轨迹聚类流程如下:1) 算法输入。作业周期内时空轨迹数据、半径Eps 和最小轨迹数Min Pts。2) 算法输出。农业机械作业轨迹类簇集。方法:1) 放入所有轨迹点到Data Point 库，从Data Point随机取出一个点。2) IF Eps领域中至少包含Min Pts个轨迹点，THEN 记当前点为核心轨迹点，并创建一个簇，放入其到簇库C 中。ELSE IF 当前点是边界点，THEN归入所属簇ELSE判断其为离群点。3) 从Data Point 库中随机取出下一个点。4) 并重复步骤2) 和3) ，直到所有点处理完毕。