基于QR树索引的面包含关系求解算法

为提高空间拓扑计算中求解面包含关系的效率,提出一种基于QR树索引的面包含关系求解算法。根据空间对象的几何信息建立QR树索引,利用QR树查找面包含的空间对象,并将该算法应用于基于线面包含关系的GML空间聚类。实验结果表明该算法能有效提高计算面包含关系的时间效率。     

一种具有方向特点的网络对象聚类算法

对分别采用欧氏距离和网络距离作为相似性测度的聚类方法进行分析,并从空间网络中对象间着手,提出一种具有方向特点的网络对象聚类算法.算法利用空间网络的邻接关系,将两种距离结合起来作为聚类的相似性测度以提高聚类的精度.算法分析和实验证明,该算法的聚类效果优于单一度量的聚类方法.     

一种基于连接度的空间线对象聚类算法

目前大多数聚类算法主要针对空间点对象且未考虑空间对象的拓扑关系。利用空间线对象相交关系定义了空间线对象连接度,提出一种基于连接度的空间线对象聚类算法SLCC(Spatial Lines Clustering Algorithm Based on Connectivity)。该算法以K-means算法为基础,以空间线对象的连接度作为“距离”进行空间线对象聚类。实验结果表明,SLCC算法能实现空间线对象的空间聚类,并具有较高的效率。     

一种新的考虑空间实体约束的空间聚类算法

空间实体的存在会对空间聚类结果产生重要的影响。传统的空间聚类算法通常没有考虑空间实体的约束作用,很难保证聚类结果的真实性。针对空间约束中的障碍约束和便利约束,本文提出了一种改进的基于空间拓扑相邻关系的密度聚类算法CD—DBSCAN。该算法充分利用空间对象间的拓扑相邻关系,既考虑了空间障碍的阻隔作用,又兼顾了空间便利的连通作用。聚类结果研究表明,该算法能够有效地挖掘出约束条件下的数据集的聚集特征。     

基于模糊集的蚁群空间聚类方法研究

定义了对象间的平均距离,并将平均距离作为对象相似性的论域。通过隶属函数将对象间的相似性映射为论域上的一个模糊子集。由给定的置信水平λ,将模糊集分离为普通集,对蚂蚁是否拾起还是放下对象作出决策,实现对空间数据的聚类。并以矿山实际测量数据为空间数据源,采用基本的蚁群聚类算法和模糊蚁群空间聚类算法分别对其进行聚类。通过对这两种算法的实验结果进行分析比较,证明改进后的算法提高了聚类效果。     

一种基于空间邻接关系的k-means聚类改进算法

空间对象不仅具有非空间的属性特征，而且具有与空间位置、拓扑结构相关的空间特征。利用传统的聚类方法对空间对象进行聚类时，由于没有考虑空间关系，同一类的对象可能出现在空间不相邻的位置。基于空间邻接关系的k-means改进算法将相邻对象的空间邻接关系作为约束条件加以考虑，使聚类结果既反映了属性特征的相似程度，又反映了对象的空间相邻状态，从而可以揭示不同类别对象的空间分布格局，因此其比传统的k-means方法更适合于空间对象的聚类分析。     

一种基于聚类分析的R~*树结点重叠判定算法

聚类分析可以对大量空间对象进行聚类划分,优化R*树的结点.根据R*树的强制重插原则,在聚类分析基础上提出一种扩展MBR的对角线段对相交算法以判定类结点的重叠.从根本上改变以往在解决R*树结点重叠时仅将MBR形状改变或单纯紧致正交MBR所存在的问题,以此为判定条件可以控制聚类算法迭代次数,减少噪声点对聚类的影响.其中判定算法时间复杂性为O(nlogn)级.实验结果表明在范围查询中引入基于聚类分析的对角线段对相交判定算法的查询效率优于基于R*树的Gain/Loss度量的贪婪算法和基于SR树的算法的查询效率.     

以Feature元素为单元的GML文档扩展区域编码ER-Code

根据GML数据路径查询中同时进行Feature元素包含关系以及Feature几何特性拓扑关系判断的需要,在研究传统XML路径编码方法的基础上,设计一种以Feature元素为单元的GML文档扩展区域编码：ER-Code。实验证明：ER-Code在编码初始构造、基于编码的整体查询等方面均具有较好的性能,把ER-Code与Feature的空间几何特性融合为一个整体空间,可大大提高GML数据路径查询的效率;该编码方法对于GML空间数据的存储、查询等相关技术的研究具有一定的理论与实用价值。     

一种面向扩展空间对象的密度聚类算法

提出一个面向扩展空间对象的基于密度的空间聚类算法,对点、线和多边形等扩展空间对象进行聚类。在该算法中,通过空间对象的缓冲区统一计算各对象在其附近空间的密度值,并根据参数区分两类不同的空间聚类应用场景,从而实现对空间对象的分类。实验表明,算法能够较好实现对空间对象分类。     

基于空间布局约束的拓扑关联规则挖掘

在空间拓扑关联挖掘中,为提取包含指定空间布局关系的拓扑关联规则,提出一种基于空间布局约束的拓扑关联规则挖掘算法,该算法能够在多空间关系模式下,挖掘包含空间布局约束的拓扑关联规则,将空间关系事务转换成整数,通过空间布局约束重构非目标空间对象类的权值向量,用重构权位值递减构建候选频繁项,并用布尔运算计算其支持数。实验结果表明,与传统挖掘算法相比,该算法的挖掘速度更快、更有效。     

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.     

三维空间对象拓扑关系的研究

在数字地球、数字城市、地理信息系统等涉及地理数据等许多应用中,三维空间对象的拓扑关系的研究是一个十分重要的问题;弄清三维空间对象的拓扑关系,对于三维空间对象的操作以及操作的算法研究至关重要。由于三维空间对象的复杂性,它们之间拓扑关系的判定大多只是从简单的概念来进行判断,还没有从理论上全面地给定它的判定准则。该文试图在三维空间中,详细地研究空间对象之间拓扑关系成立的条件与结论,利用这些规则,可以全面地得到三维空间对象之间可能存在的所有拓扑关系。     

基于规则的空间一致性维护

通过对空间数据的拓扑一致性问题的分析，给出了一种基于拓扑的空间数据模型，在此基础上提出了一种空间拓扑规则发现机制。利用所得的空间拓扑规则，判断空间数据是否具有拓扑不一致性，进而采取相应的策略进行拓扑一致性维护，以提高空间数据的质量。     

Defining and Comparing Content Measures of Topological Relations

This work defines and compares three quantitative content measures of topological relations between spatial objects that consider metric refinements with respect to relative size, distance, and degree of overlapping. These content measures use minimum bounding rectangles (MBRs) as simplified views of spatial objects in order to create an efficient mechanism for characterizing the topological content of spatial configurations. A framework for comparing content measures is presented, which is based on the linear correlation between two similarity rankings: (1) a similarity ranking defined in terms of the distance of content-measure values and (2) a similarity ranking defined in terms of the error of the geometric adjustment between pairs of objects. The linear correlation between similarity rankings is used as indicator of how well the defined content measures characterize topological relations. Such kind of content measures can provide mechanisms for creating efficient methods to describe and access information on the basis of the topological content of spatial configurations.     

带障碍约束的遗传K中心空间聚类分析

空间聚类分析是空间数据挖掘中的一个重要研究课题。传统聚类算法忽略了真实世界中许多约束条件的存在，而约束条件的存在会影响聚类结果的合理性。讨论了带障碍约束的空间聚类问题，研究了一种基于遗传和划分相结合的带障碍约束空间数据聚类分析方法，设计了一个带障碍约束的遗传K中心空间聚类分析算法。对比实验表明，该方法兼顾了局部收敛和全局收敛性能，考虑到了现实障碍物对聚类结果的影响，使得聚类结果更具有实际意义，其结果优于传统K中心聚类及单纯的遗传聚类，不足之处是其计算速度相对较慢。     

一种面向并行空间查询的数据划分方法

在并行空间数据库中,空间数据集在各计算节点是否聚集划分,对提高空间并行查询效率起着关键的作用.Oracle Spatial采用的基于格网的划分方法只考虑了数据集在各节点是否均衡划分,而未考虑空间数据的拓扑特征.基于空间数据聚集划分的目的,提出了一种基于K-平均聚类算法的空间数据划分方法.实验证明,该方法极大地提高了空间数据并行检索和查询效率.     

一种基于SimRank得分的谱聚类算法

传统的谱聚类算法在建立相似度矩阵时仅考虑数据点与点的距离,忽略了数据点之间隐含的内在联系。针对这一问题,提出了一种基于SimRank的谱聚类算法。该算法首先用无向图数据建立邻接矩阵,并计算出基于SimRank的相似度矩阵;然后根据相似度矩阵建立拉普拉斯矩阵表达式,对其进行归一化后再进行谱分解;最后对分解得到的特征向量进行k-means聚类。在Zoo等UCI标准数据集上的实验结果表明,所提算法在聚类精确度、标准互信息和纯度3个评价指标上均优于现有的LRR(Low Rank Rrepresentation)等基于距离相似度的谱聚类算法。