多尺度分类挖掘算法

多尺度分类挖掘多局限于空间数据，且对一般数据尺度特性进行分类的研究较少。针对上述问题，进行普适的多尺度分类方法研究，以扩大多尺度适用范围。从空间数据估计角度出发，结合层次理论和尺度特性，基于概率密度估计离散化方法，针对数据的多尺度特性进行分类挖掘。以非局部均值和三次卷积插值为理论基础，利用Q统计和不一致度量进行操作，提出多尺度分类尺度上推算法和多尺度分类尺度下推算法。采用UCI数据集和H省人口真实数据集进行实验，并与CFW、MSCSUA和MSCSDA等算法进行对比，结果表明，该算法可行有效。与其他算法相比，尺度上推算法正确率平均提高4.5%，<i>F</i>-score提高4.8%，NMI提高12.3%，尺度下推算法各个相应指标分别平均提高5.3%，6.6%和11.8%。