空间数据挖掘理论及方法的探讨

本文概述了数据挖掘、空间数据库和空间数据挖掘的理论,分析了空间数据挖掘的层次,总结了空间数据挖掘的常用方法。     

空间数据挖掘理论及方法的探讨

本文概述了数据挖掘、空间数据库和空间数据挖掘的理论，分析了空间数据挖掘的层次，总结了空间数据挖掘的常用方法。     

一种空间数据挖掘查询索引的研究及应用

从数据库技术角度出发,对空间数据挖掘查询的数据库支持技术和空间数据挖掘系统与GIS数据库的集成技术进行了研究;首先介绍了空间数据挖掘与GIS的关系,及目前在该领域存在的一些问题和缺陷;然后提出了一种支持空间数据挖掘查询的索引和数据访问方法——距离方向连接索引(Distance-Direction associated Join Indices,DDJI),并给出了基于这种索引技术的空间数据挖掘算法及实现技术,研究了基于DDJI的各种空间数据挖掘算法的统一实现技术;实验研究证明,与传统方法相比,DDJI的实现方法在性能上具有较大优势。     

空间数据挖掘理论与方法探讨

文章概括了空间数据库与空间数据挖掘的理论和特点，分析了空间数据挖掘的层次、方法与可发现的知识分类，指出了当前空间数据挖掘尚需解决的问题、发展趋势和方向。     

基于关联规则的空间数据知识发现及实现

空间数据挖掘就是从空间数据库中抽取隐含知识、空间关系及空间数据库中存储的其它模式的方法。空间关联规则是空间数据挖掘的一个重要表现形式，利用空间关联规则把空间数据库中的数据转化为知识是一个很好的方法。本文在分析空间关联规则的基础上，用基于关联规则的逐步求精挖掘算法，得出空间数据库中的知识，通过实例证明其方法的可行性。     

空间数据挖掘发展研究

空间数据挖掘是指对空间数据库中非显式存在的知识、空间关系或其它有意义的模式等的提取,在地理信息系统、地理市场、遥感、图像数据勘测、医学图像处理、导航、交通控制、环境研究等各种领域有着广泛的应用。该文从空间数据挖掘的定义、过程、特征和任务等方面对空间数据挖掘技术进行了研究,并介绍了一个空间数据挖掘原型—GeoMiner和未来的研究方向。     

基于邻接关系的空间数据挖掘

空间邻接关系是空间数据库对象之间的特征联系，其处理过程直接影响着空间数据挖掘算法的实现与效率，基于3种邻接关系，给出了邻接图，邻接路径的概念和几个基本操作，并分析了几种典型的空间数据挖掘算法。     

浅析空间数据挖掘技术

空间数据挖掘是指从空间数据库中抽取隐含知识、空间关系或非显式存储在数据库中有意义的特征或模式。该技术在理解空间数据、获取空间与非空间数据间内在关系方面具有重要意义。     

空间数据挖掘及其在3S集成系统的应用研究

数据挖掘作为一项从大量数据中获取有用知识的实用技术,已广泛应用于各行各业并取得了巨大的经济和社会效益,而其在3S集成系统的应用也具有巨大的潜力。文中概要介绍了数据挖掘技术的理论、过程及方法,将其扩展到空间数据库的基础上进行探讨,总结出空间数据挖掘的一般常用规则及方法,并提出其挖掘模型,最后给出其在3S集成系统中的应用实例,结果表明其对空间环境分析、虚拟仿真显示、决策智能支持具有重要基础意义。     

空间数据挖掘及其在3S集成系统的应用研究

数据挖掘作为一项从大量数据中获取有用知识的实用技术,已广泛应用于各行各业并取得了巨大的经济和社会效益,而其在3S集成系统的应用也具有巨大的潜力.文中概要介绍了数据挖掘技术的理论、过程及方法,将其扩展到空间数据库的基础上进行探讨,总结出空间数据挖掘的一般常用规则及方法,并提出其挖掘模型,最后给出其在3S集成系统中的应用实例,结果表明其对空间环境分析、虚拟仿真显示、决策智能支持具有重要基础意义.     

城市地下管网GIS中的空间数据挖掘模型设计

GIS在城市地下管网中的广泛应用导致了管网数据库中数据量的急剧增长。为提高城市地下管网的管理水平，更好地从管网数据库中采集有价值的知识，将空间数据挖掘技术运用到地下管网GIS系统是一种行之有效的方法。介绍GIS和空间数据挖掘结合的必要性，分析了基于空间数据仓库实施空间数据挖掘的理论依据，给出了一个实用的城市地下管网GIS空间数据挖掘模型。该模型可有效地在管网GIS中实现挖掘功能，使GIS具备一定的智能化特征。     

空间数据采掘的研究与发展

数据采掘的研究已从关系型和事务型数据库扩展到空间数据库。空间数据采掘是一个很有发展的领域,它是在大量空间数据中进行知识发现的技术。文中总结了空间数据采掘领域中的研究成果,概括出空间数据采掘的体系结构、查询语言及相关方法,并探讨了目前存在的问题和发展方向。     

SDSS中空间数据挖掘部件的设计与实现

空间数据挖掘就是从空间数据库中抽取隐含的知识、空间关系或空间数据库中存储的其他隐含模式的过程。空间数据挖掘在地理信息系统、空间遥感、测绘、资源和环境管理等很多领域都有广泛的应用前景。论文对空间数据挖掘的一些主要技术进行研究和探讨,介绍了基于这些技术设计实现的一个空间数据挖掘部件。     

基于Rough Set的空间数据分类方法

近来,数据采掘的研究已从关系型和事务型数据库扩展到空间数据库.空间数据采掘是一个很有发展前景的领域,其中空间数据分类的研究尚处在起步阶段.该文分析和比较了现有的几个空间数据分类方法的利和弊,提出利用Rough Set的三阶段空间分类过程.实验结果表明,该算法对于解决包含不完整空间信息的问题是有效的.     

关联规则在空间数据挖掘中的应用及实现

空间数据挖掘是从空间数据库中抽取隐含知识、空间关系及空间数据库中存储的其它信息的方法。空间关联规则是空间数据挖掘的一个重要研究领域,利用空间关联规则把空间数据库中的数据转化为知识是一个很好的方法。在分析空间关联规则的基础上,用基于关联规则的逐步求精挖掘算法,得出空间数据库中的隐含知识,通过实例证明其方法的可行性。     

空间数据库的聚类方法

1 引言近年来,数据库的数量和单个数据库的容量都大大增长了。比如,空间物体数据库包括几十亿个望远镜图像,NASA地球观测系统每小时都会产生50GB的数据。这么大的数据量已经远远超出了人为分析解释的能力范围。数据库中的知识发现(KDD)是识别数据中有价值的、新的、潜在有用的、可理解的模式的一     

从空间数据库发现聚类：一种基于数学形态学的算法

聚类算法能从空间数据库中直接发现一些有意义的聚类结构而不需要背景知识，是空间数据发掘和知识发现的重要手段。在分析已有聚类算法的基础上，提出了一种基于数学形态学的聚类算法，该算法能够处理任意形状的聚类，采用启发式方法自动确定最优聚类数。同时，该算法也可以在矢量型空间数据库中得到实现。试验表明算法是可行和有效的，且能处理存在噪音的数据。     

Mining multiple-level spatial association rules for objects with a broad boundary

Spatial data mining, i.e., mining knowledge from large amounts of spatial data, is a demanding field since huge amounts of spatial data have been collected in various applications, ranging from remote sensing to geographical information systems (GIS), computer cartography, environmental assessment and planning. The collected data far exceeds people's ability to analyze it. Thus, new and efficient methods are needed to discover knowledge from large spatial databases. Most of the spatial data mining methods do not take into account the uncertainty of spatial information. In our work we use objects with broad boundaries, the concept that absorbs all the uncertainty by which spatial data is commonly affected and allows computations in the presence of uncertainty without rough simplifications of the reality. The topological relations between objects with a broad boundary can be organized into a three-level concept hierarchy. We developed and implemented a method for an efficient determination of such topological relations. Based on the hierarchy of topological relations we present a method for mining spatial association rules for objects with uncertainty. The progressive refinement approach is used for the optimization of the mining process.     

CLARANS: a method for clustering objects for spatial data mining

Spatial data mining is the discovery of interesting relationships and characteristics that may exist implicitly in spatial databases. To this end, this paper has three main contributions. First, it proposes a new clustering method called CLARANS, whose aim is to identify spatial structures that may be present in the data. Experimental results indicate that, when compared with existing clustering methods, CLARANS is very efficient and effective. Second, the paper investigates how CLARANS can handle not only point objects, but also polygon objects efficiently. One of the methods considered, called the IR-approximation, is very efficient in clustering convex and nonconvex polygon objects. Third, building on top of CLARANS, the paper develops two spatial data mining algorithms that aim to discover relationships between spatial and nonspatial attributes. Both algorithms can discover knowledge that is difficult to find with existing spatial data mining algorithms.