抽象性
本文介绍基于地理信息系统应用扩展模糊C-Means法热点分析这种方法经修改检测事件高度集中空间并测试研究时间演化数据由地理参比模式组成,对应那不勒斯区(意大利)病人住宅,2008至2012年期间对病人实施外科干预
开工导 言
地理信息系统使用缓冲区地理处理功能对特定区域因事件邻近而产生的现象影响(例如研究地震影响区或河流流域周围受限区)进行演练以地理参照定时元素、线性元素或分区元素为特征的地理事件,原子缓冲区由以元素为中心圆形区组成举个例子,如果事件为震中心 地球参照点 一组缓冲区由同心圆区组成半圆缓冲区定义前缀
无法静态定义撞击区时,我们需要确定何为受连续事件集影响的区时,我们面临着检测成集群的问题,地理参比事件加稠集群地理坐标化 地图多边形并调用热点区.
热点研究在许多学科中至关重要,如犯罪分析一号-3研究犯罪事件传播 火分析4分析林区大火扩散和疾病分析5-7研究局部性疾病 及其时间演化聚类法主要用于检测热点区系基于密度算法8,九九)可检测热点精确几何性,但在计算复杂性方面费用高,在绝大多数情况下,无需精确判定集群形状。聚类算法更多地用于线性计算复杂性是fuzzyC-Means算法10半模糊聚类法使用欧几里得距离判定原型聚类点
等一等 数据集组成 模式化 中位 算法 Th构件(特征)模式 .FCM算法最小化下列目标函数 去哪儿 数组固定前缀 成员度模式 切入点 Th集群 , 表示集点由中心提供 集群(原型) 模糊参数 中心间距离 排成一行 Th集群 Th向量 计算欧几里得规范 Lagrane乘法最小化目标函数一号),我们为每个集群原型中心获取以下解决方案: 去哪儿 并会籍度 , 受约束条件:
初始化 ssss 随机分配并在每个迭代中更新if 矩阵化 计算方式 跨步迭代进程停止 去哪儿 前缀参数
算法线性计算复杂性敏感噪声异端外加集群数 固定前缀并需要使用有效性索引来确定参数最优值 .
以克服这些缺陷11,12EFCM算法建议 集群原型超频与FCM相似,EFCM算法特征为线性计算复杂性此外,它对于噪声和异常值的存在是强健的,最后集群数由迭代过程确定。
中13,14作者建议使用EFCM算法检测热点终端热点识别为检测聚类原型并显示为圆形区中4作者分析热点瞬时演化模式事件数据集按事件检测时间划分逐子对应特定时间段作者比较连续两年通过研究地图交叉点获取热点以这种方式,有可能跟踪特定现象的演化
集群原型从EFCM方法检测出,是地图圆形区,近似热点区图一号实例显示两个循环热点,以集群方式获取
图一号显示三大区i)热点区域 不受热点交叉 响应 :可视此区域为过早检测事件相继消失的地理区域二)区域交错两个热点 :可视此区域为事件持续存在的地理区域三)热点区域 不受热点交叉 响应 :可视此区域为过早不可检测事件相继传播的地理区域研究热点时空演化方法包括分析连续周期获取的相应循环集群原型之间的交互作用,检测热点前未覆盖区新热点和热点复发区热点复发
研究热点区时空演化EFCM算法用于连续年份比较事件数据集,对应那不勒斯区检测到的oto-Liarynge每种事件都对应染病病人的官邸
热点分析相对应连续两年的热点交叉点、偏差移位、热点面积增减和新热点出现
内段2EFCM算法概述内段3介绍研究热点时演化方法 疾病分析内段4并展示那不勒斯区检测到的热点热点瞬时演化结果我们的结论分解5.
二叉EFCM算法
EFCM算法中, 我们考虑聚类原型 由超密码提供 维特征空间上头 超屏蔽特征为小机器人 并半径 .
确实,如果 半径 ,我们说 归宿 if .
半径 获取并发矩阵 关联 Th集群定义 由何判定量 Th集群自 对称和正分解可分解形式如下: 去哪儿 正态矩阵 aqoural矩阵半径 由下方公式提供12: 目标函数最小化如下: 入会度 更新为
设置 并定义数 任选 脱机因此,我们获取
使用方式12产生削弱目标函数的负效果10点数特征嵌入集群时,这一事实可防止集群分离然而解决问题之法 则假设小点起始值 并随因子渐增 中位 表示集群数 迭代 递归定义为 中,通过设置 对称矩阵 中位 定义性并存if 矩阵化 高山 迭代 并阈值 引入限值,再引入二索引 并 确定为 并因此 并 通过设置合并 上头 可从矩阵删除th行 .换句话说,EFCM算法可归纳为以下步骤(1)用户分配初始数集群 通常 ) 初始值 并 .(2)成员度 随机分配 。3级中心集群 计算方式使用3)(4)radi集群使用计算九九)(5) 计算方式使用12)(6)索引类 并 确定方式 假设最大值 迭代(7)if 并 后端 并发 Th集群合并方式14)和 中行删除 .(8)if6)满足后进程停止换句话说 上台阶 面向 迭代
3级热点检测进化疾病分析
每种模式都由与检测到特定疾病的病人住所相对应事件提供模式的两个特征是住宅地理坐标
第一步是地理编码活动 从病人街道地址开始获取事件数据集
为了确保精确匹配事件地理定位,我们需要方位正确道路网和相应的完全地名数据
起始数据包括街道名称和患者住宅号匹配过程后,在地图上事件点地理坐标转换每项数据
图中2路网显示那不勒斯街道名贴地图事件地理坐标指向地图上点
图3显示数据对应地图上选择事件
地理参照事件后,事件数据集可拆分并分时段实例图中事件3可划分字段“年份”。
逐子事件使用EFCM算法检测最终集群原型
研究中,我们指出对那不勒斯区内检测到Oto-Laryngo-pharyngeal疾病时间演化和扩散的分析数据集除以与一年周期相对应的时间序列,由不同事件模式组成,地理参比与病人所遇病相对应事件指病人位置的地理定位
数据进一步除以疾病类型分析研究领域每种特定疾病的分布和演化
EFCM算法封装GIS平台ESRI ArcGIS图4显示为设置参数并运行EFCM算法而创建的掩码
可设置其他数值字段添加地理坐标上的其他特征
初始时,我们设置初始数集群、fizcerm和误差阈值以停止迭代运行EFCM后报告迭代数、最后集群数和上迭代计算误差生成集群显示为地图循环区并可在新地理层中保存
最终过程涉及对集群获取的热点作对比分析,对应事件的每一子集
图5显示热点地图上显示的示例
评估热点扩展和移位时, 我们测量热点半径和两个相交热点间近
下一节显示结果使用此方法获取数据,与2008至2012年那不勒斯区住院病人Oto-Laryngo-pharyngeal机外科干预相对应
我们每年划分数据集分析各种类型疾病
最常见疾病类型分析如下:i)癌症二)双边Reinke水网三)优等图例变肥四)鼻聚变物第五大类双边声波折叠下一节显示通过应用此方法获取的最重要结果
4级测试结果
我们展示2008至2012年期间从上述事件数据集获取的结果
我们先考虑相匹配数据子集 双边雷因克病
混淆参数修复为0.1,组群初始数修复为15,最后迭错修复为1x102级.
表2一号显示每年所得结果
详细介绍2011年和2012年事件数据比较热点
图8显示两年热点重叠:红色热点对应2011年蓝字对应2012年
表22前两列显示2011年和2012年热点标签,第三列(重编第四列)2011年半径(重编2012年),第五列给出半径
结果表明,2011年仅获取热点3在2012年基本保持不变热点1和2似乎合并成单大热点(热点1为2012年获取),热点4移动约1千米扩展2012年热点半径约6.5千米(2012年热点3取图8)
显示Nasal多功能疾病结果
图九九显示2011和2012两年热点重叠
表内3上报对比结果
图中结果九九显示2011年和2012年有两个热点:一个覆盖那不勒斯市一区,另一个覆盖许多维苏维安城镇这两块热点2011年覆盖环形面积,2012年覆盖环形面积约3千米和5千米,2012年覆盖环形面积约5千米和7千米
图中直方图10显示两个热点在时间流中的弧度趋势
近些年来维苏维安城镇热点分布相关(从2008年约2千米到2012年约7千米)。
另一大趋势涉及因癌病获取热点
同时,在这个例子中,两个主要热点覆盖那不勒斯市和许多维苏维安城镇环境热点覆盖那不勒斯市图11)!近些年来 半径热点增加达9.5千米
5级结论
excelles获取集群(二维循环)使用EFCM可代表热点分析这种方法有线性计算复杂性,对噪声和异常强热点分析模式二维化特征由地理坐标组成集群原型圆形能表示热点面积的良好近似性,并可作为环形区显示在地图上
论文中显示一种新的方法 使用EFCM算法 研究热点疾病分析时空演化
院方信息 在那不勒斯区(意大利) 对Oto-Laryngo-pharyngeal机器实施外科干预地理编码过程用于地理参照数据地理坐标数据集每年分治和疾病类型并分析历年热点趋势 测量半径差 和连续两年相交集群小机器人间距离
结果表明,近年鼻膜多波斯病热点覆盖韦苏维安一些城镇,恶性肿瘤热点覆盖那不勒斯市。