混合维拓扑和尺寸关系的定性空间推理

定性空间推理(QSR)研究空间关系,多数工作集中在单维空间关系,但在地理信息系统(GIS)中多维对象很常见.混合维对象空间关系是指点、线和区域3类对象出现在同一场景的情况,该类问题对定性空间推理研究有着重要的理论意义和应用价值.但这方面的研究工作还比较少.在已有的混合维区域连接演算的基础上进行完善,提出了MRCC5混合维拓扑模型,并研究了其上约束满足推理问题的复杂度.对定性尺寸关系进行了混合维扩展.给出了MDS模型,进而研究了其推理问题.在以上工作基础上.提出了RCCA和MDS的结合模型,给出并分析了结合模型的推理算法.将定性空间推理相关研究推广到混合维领域,深入研究了混合维拓扑关系推理,提出了混合维尺寸以及混合维拓扑尺寸结合模型.     

近似空间关系代数ASRA及应用

粗定位模型是一种基于粗集的近似区域表示模型 ,基于定性空间推理理论对其进行了代数形式化 .通过空间关系矩阵和 2 4 9种基本空间关系构造了近似空间关系代数 ASRA;讨论了 ASRA的公理和基本性质 ,研究了ASRA和 RCC5关系映射中存在的不确定性 ;把 ASRA应用于 GIS,提出了基于 ASRA的空间关系判定算法ASRA- RCC.与同类算法相比 ,ASRA- RCC能够同时支持确定和近似区域 ,并且具有较高的效率     

基于区域伸缩的空间关系研究与实现

区域连接演算(RCC)是空间推理的重要基础理论之一,它只能粗略地描述空间拓扑关系,难以描述除拓扑关系之外的其他空间关系,如距离和方向。在RCC理论的基础上,引入2个对区域的演算函数,即区域延伸和区域收缩,给出一种以区域为单位的形式化的度量方法。在RESC理论的基础上,利用栅格区域法应用简单和易于实现的特性,准确地得出区域间的空间关系。     

基于区域伸缩的空间关系表示

区域连接演算(RCC)是定性空间推理的重要基础理论之一.但由于缺乏必要的度量,RCC只是粗略地描述空间拓扑关系而难以对其更准确地描述,也难以利用RCC描述除拓扑关系之外的其它空间关系,如距离、方向等.本文在RCC理论的基础上,提出了区域伸缩演算(RESC).RESC增加了一个全等CG的原始空间关系,引入了两个新颖的对区域的演算函数,即区域延伸和区域收缩,从而给出了一种以区域为单位的形式化的度量方法.利用RESC,不仅可以扩展RCC-8拓扑关系,而且能以灵活多样的粒度来描述区域间的距离关系、方向关系、位置关系以及运动关系.RESC增强了RCC的空间关系表示能力,拓展了RCC理论的适用范围.     

结合方向关系和拓扑关系的约束满足推理

结合定性空间推理中的区域连接演算(RCC)和基于区域的主方向关系模型,应用拓扑和方向关系上的复合表,将方向关系和拓扑关系的推理看作约束满足问题(CSP),给出了结合RCC8和主方向关系的约束满足问题推理算法,该算法可结合拓扑关系和方向关系进行推理。     

基于区域延伸的定性空间表示

在区域连接演算(region connection calculus,RCC)理论基础上给出了区域延伸的形式定义.通过区域延伸,定义了关联空间的概念,进而提出了空间表示的一个模型,在这个模型中给出了空间中物体的空间拓扑关系、距离关系、方向关系以及位置等信息的定性表示.智能体对空间关系的确定是通过区域延伸实现的,模型为智能体在约束空间环境中的行动推理提供了一个新的表示方法.     

模糊近似空间上的粗糙模糊集的公理系统

粗糙集理论是近年来发展起来的一种有效的处理不精确、不确定、含糊信息的理论，在机器学习及数据挖掘等领域获得了成功的应用．粗糙集的公理系统是粗糙集理论与应用的基础．粗糙模糊集是粗糙集理论的自然的有意义的推广．作者研究了模糊近似空间上的粗糙模糊集的公理系统，用三条简洁的相互独立的公理完全刻划了模糊近似空间上的粗糙模糊集，同时还把作者给出的公理系统与粗糙集的公理系统做了对比，指出了两者的区别．     

地理信息系统中空间对象间拓扑关系的推理

首先讨论了地理信息系统中空间对象的空间数据模型,然后定性地分析了空间对象点与点、点与线和点与区域之间的拓扑关系,并给出了空间对象拓扑关系的推理算法.最后,将模糊技术与空间对象之间的拓扑关系的推理算法结合起来,使其可以方便地处理地理信息系统中的模糊性和不确定性.     

一种定性细节方向关系的表达模型

空间关系在空间数据库查询语言、基于内容的图像检索及空间场景的相似性等领域有着广泛的应用。然而，当目标对象与参照对象的外接矩形相交或位于其内时，现有方向关系表达方法不能有效地描述有关方向的信息，从而限制了与空间关系有关概念的表达。为此提出了一种能够表达与参照对象外接矩形内部有关信息的细节方向关系表达模型，研究了线／面、面／面和点／面间拓扑关系和方向关系的组合表达问题，最后给出了细节方向关系的计算模型。与现有的方向关系描述方法相比，细节方向关系能够描述参照对象的形状、岛屿，并且能够提高空间关系的分辨率。     

基于结合空间拓扑和方向关系信息的空间推理

结合了定性空间推理中著名的区域连接演算（region connection calculus，RCC）和基于区域的方向关系演算（cardinal direction calculus，CDC），并且给出两个演算在两个方向上的交互表，即RCC8-To-CDC和CDC-To-RCC8．给出了结合RCC8和CDC知识的约束满足问题的路径一致算法（path consistency algorithm）（该算法是对Allen著名的路径一致算法的修改），并且采用两个队列实现了该算法，采用这种结构可以实现并行计算．在该算法中，基于以上两个交互表的交互操作被嵌入到算法里面来保证整个约束满足问题的一致性．算法的计算复杂性证明是多项式的，     

空间方向关系描述模型及其GIS应用分析

空间方向关系建模是一个属于空间认知范畴的研究问题。近20年来,该研究问题受到来自计算机、人工智能、机器人以及地理信息科学等领域的众多学者们关注,提出了许多形式化描述模型。首先阐述了方向关系描述框架、表达形式、基本性质以及影响方向关系描述的主要因素。然后,重点回顾及评价了一些较有代表性的方向关系建模方法及其在GIS空间查询、分析、推理中的应用,指出了其中存在的一些主要问题。最后,展望了方向关系模型及其应用中有待进一步研究的若干相关工作。     

Spatial reasoning in a fuzzy region connection calculus

Although the region connection calculus (RCC) offers an appealing framework for modelling topological relations, its application in real-world scenarios is hampered when spatial phenomena are affected by vagueness. To cope with this, we present a generalization of the RCC based on fuzzy set theory, and discuss how reasoning tasks such as satisfiability and entailment checking can be cast into linear programming problems. We furthermore reveal that reasoning in our fuzzy RCC is NP-complete, thus preserving the computational complexity of reasoning in the RCC, and we identify an important tractable subfragment. Moreover, we show how reasoning tasks in our fuzzy RCC can also be reduced to reasoning tasks in the original RCC. While this link with the RCC could be exploited in practical reasoning algorithms, we mainly focus on the theoretical consequences. In particular, using this link we establish a close relationship with the Egg-Yolk calculus, and we demonstrate that satisfiable knowledge bases can be realized by fuzzy regions in any dimension.     

A fuzzy sets theoretic approach to approximate spatial reasoning

Relational composition-based reasoning has become the most prevalent method for qualitative reasoning since Allen's 1983 work on temporal intervals. Underlying this reasoning technique is the concept of a jointly exhaustive and pairwise disjoint set of relations. Systems of relations such as RCC5 and RCC8 were originally developed for ideal regions, not subject to imperfections such as vagueness or fuzziness which are found in many applications in geographic analysis and image understanding. This paper, however, presents a general method for classifying binary topological relations involving fuzzy regions using the RCC5 or the RCC8 theory. Our approach is based on fuzzy set theory and the theory of consonant random set. Some complete classifications of topological relations between fuzzy regions are also given. Furthermore, two composition operators on spatial relations between fuzzy regions are introduced in this paper. These composition operators provide reasonable relational composition-based reasoning engine for spatial reasoning involving fuzzy regions.     

基于定性空间推理的多层空间关联规则挖掘算法

很多应用于空间数据挖掘的空间关系模型存在表达能力不强、可理解性较差、不支持不确定性等问题。针对这种情况，以定性空间推理的RCC理论为基础，结合模糊逻辑，提出了一种面向空间数据库的近似区域空间关系模型，在此基础上给出了多层空间关联规则的挖掘算法QSRSAK。该算法使用了MBR优先判定、顶点近似等手段针对大型空间数据库进行了优化处理。实验结果表明，QSRSAR在空间知识表达能力、规则可理解性和空间关系计算效率等方面优于同类算法。     

Qualitative reasoning with directional relations

Qualitative spatial reasoning (QSR) pursues a symbolic approach to reasoning about a spatial domain. Qualitative calculi are defined to capture domain properties in relation operations, granting a relation algebraic approach to reasoning. QSR has two primary goals: providing a symbolic model for human common-sense level of reasoning and providing efficient means for reasoning. In this paper, we dismantle the hope for efficient reasoning about directional information in infinite spatial domains by showing that it is inherently hard to decide consistency of a set of constraints that represents positions in the plane by specifying directions from reference objects. We assume that these reference objects are not fixed but only constrained through directional relations themselves. Known QSR reasoning methods fail to handle this information.