空间数据可视化的研究与发展

随着3S技术的融合和空间信息处理技术的发展和广泛应用,空间数据的可视化以及基于可视化技术的空间分析、空间数据挖掘和知识发现已经发展成为空间信息处理的重要手段和关键技术。可视化方法已由数据的空间展现逐步发展成为可以表现数据的内在复杂结构、关系和规律的技术。由静态空间关系的可视化发展到表示系统演变过程的可视化。可视化方法不仅用于数据的理解,而且用于空间知识的呈现。可视化技术充分利用了人对于色彩和空间的敏锐的感知能力使人机有机地融合,在空间信息和知识的发现过程中发挥着重要作用。该文总结了空间分析中可视化技术的研究成果,分析了可视化技术的发展现状,给出了可视化方法的分类。从认知和空间数据所表征的客观对象的复杂性及非线性动力学特征分析了其发展演化规律的可视化方法,并对空间数据可视化技术的现状及发展趋势进行探讨。     

采用面向对象的方法设计地理信息系统

地理信息系统提供了一种可视化的信息处理方式,是一种面向空间复杂对象的空间数据库管理系统。由于 地理信息系统需要将大量的空间数据和属性数据融合到一起,传统的数据库模型已不适应这方面的需要,而面向对象的地理信息系统为处理空间复杂对象提供了一种有效的手段。本文分析了地理数据的组织,提供了一种面向对象的地理信息模型,并分析了建立在此基础上的空间操作方法．     

面向对象的地理信息系统

地理信息系统提供了一种可视化的信息处理方式,是一种面向空间复杂对象的空间数据库管理系统。由于要把大量的空间数据和属性数据融合到一起,传统的数据库已不适应地理信息处理的需要。面向对象的地理信息系统技术为处理空间得当析对象提供一种有效的手段。本文提出了面向对象地理信息系统的一种数据模型,并介绍了建立在此模型基础之上的一些空间操作方法。     

基于对象代理机制的GIS空间数据模型研究

为了设计出一种基于对象代理机制的GIS空间数据模型,分析了地理信息系统、空间数据和空间数据库的特点,归纳了混合数据库模型、扩展结构模型、全关系模型、面向对象模型和对象关系模型等传统空间数据模型的优缺点,在对象建模技术的基础上,引入地理信息系统对象代理机制,提出了基于对象代理机制的GIS空间数据模型.把对象代理机制引入到空间数据库的建模以及地理信息的组织和显示中,完成了地理信息系统中的空间数据存储和管理的新形式,更大程度地满足了用户的操作需求.     

基于MapX的空间数据挖掘模型及其应用

利用Mapx控件对GIs数据强大的操作与处理功能，将Mapx应用到空间数据挖掘中，构建了基于MapX的空间数据挖掘模型。通过该模型可以方便的对空间数据与非空间数据进行操作处理，以及空间对象之间的拓扑关系与距离信息等进行判定，从而解决了空间数据挖掘中数据整合与数据预处理的问题。概念泛化技术应用于数据预处理中，构建了概念层次树。关联规则算法有效应用于空间数据挖掘中．荻取了有用的知识。     

基于超图的多模态情绪识别

近年来多模态情绪识别获得广泛关注,模态间的特征融合决定了情绪识别的效果,现有基于图的情绪特征融合方法多基于二元关系图,在处理三种及以上模态数据时难以实现有效的模态间特征融合,限制了多模态情绪识别的效果.为解决该问题,本文提出基于超图的多模态情绪识别模型（Multi-modal Emotion Recognition Based on Hypergraph,MORAH）,引入超图来建立多模态的多元关系,以此替代现有图结构采用的多个二元关系,实现更加充分、高效的多模态特征融合.具体来说,该模型将多模态特征融合分为两个阶段：超边构建阶段和超图学习阶段.在超边构建阶段,通过胶囊网络实现对序列中每个时间步的信息聚合,并建立单模态的图,然后使用图卷积进行第二次信息聚合,并以此作为下一阶段建立超图的基础,得益于图胶囊聚合方法的加入,MORAH可以同时处理对齐数据和未对齐数据,无需手动对齐;在超图学习阶段,模型建立同一样本不同模态节点之间的关联,以及同类样本所有模态之间的关联,同时,在超图卷积过程中,使用分层多级超边来避免过于平滑的节点嵌入,并使用简化的超图卷积方法来融合模型之间的高级特征,以确保所有...     

基于要素扩展管理的海量地质空间数据存储模型的设计与实现

随着地质空间数据量呈几何级速度增长,三维地质信息系统深入应用和地学数据可视化对海量地质空间数据的高效存储需求更加迫切。分析地质数据特征,其多类型、多尺度以及空间分布特征是设计地质空间数据库结构的决定性因素。基于此提出顾及地质实体多类型多尺度特征的一体化对象-关系型数据库存储模型。模型采用分层、分区、分类的管理策略和要素扩展管理技术实现海量地质空间数据的一体化存储。中国地质大学的QuantyView三维地学软件平台已经基于该存储模型实现了海量空间数据的存储、调度和可视化,证明了该模型对于海量空间数据存储具有实际应用的有效性。     

超图神经网络综述

近年来,图神经网络借助大量数据和超强计算能力在推荐系统和自然语言处理等应用领域取得显著成效,它主要处理具有成对关系的图数据.但许多现实网络中的对象之间的关系是复杂的非成对关系,如科研合作网络、蛋白质网络等.若直接用图结构将这种复杂的关系表示为成对关系,会导致信息丢失.超图是一种灵活的建模工具,可以展现出图无法完整刻画的高阶关系,弥补了图的不足.鉴于此,研究者开始关心如何在超图上设计神经网络,并相继提出应用于下游任务的超图神经网络模型（hypergraph neural network,HGNNs）.故对现有的超图神经网络模型进行综述,首先全面回顾超图神经网络在过去3年的研究历程;其次根据设计超图神经网络采用的方法不同对其进行分类,并详细地阐述代表性的模型;然后介绍了超图神经网络的应用领域;最后总结和探讨了超图神经网络未来的研究方向.     

基于多源数据集成的松嫩平原

以数字地球科学和数据仓理论为指导,以3S技术、环境模拟技术和计算机编程技术为手段,根据空间信息与非空间信息在地理单元和空间上的存储特征,建立了基于域和对象的公共数据模型,继而构建了不同专属性的空间数据库。以此为基础,通过应用空间数据引擎和空间数据操作对象,首次对面向应用的松嫩平原土地资源空间数据仓进行了分析与设计。     

交互关系超图卷积模型的双人交互行为识别

为提高学校、商场等公共场所的安全性,实现对监控视频中的偷窃、抢劫和打架斗殴等异常双人交互行为的自动识别,针对现有基于关节点数据的行为识别方法在图的创建中忽略了2个人之间的交互信息,且忽略了单人非自然连接关节点间的交互关系的问题,提出一种基于交互关系超图卷积模型用于双人交互行为的建模与识别。首先针对每一帧的关节点数据构建对应的单人超图以及双人交互关系图,其中超图同时使多个非自然连接节点信息互通,交互关系图强调节点间交互强度。将以上构建的图模型送入时空图卷积对空间和时间信息分别建模,最后通过SoftMax分类器得到识别结果。该算法框架的优势是在图的构建过程中加强考虑双人的交互关系、非自然连接点间结构关系以及四肢灵活的运动特征。在NTU数据集上的测试表明,该算法得到了97.36%的正确识别率,该网络模型提高了双人交互行为特征的表征能力,取得了比现有模型更好的识别效果。     

Knowledge Discovery Through Self-Organizing Maps: Data Visualization and Query Processing

In data mining, the usefulness of a data pattern depends on the user of the database and does not solely depend on the statistical strength of the pattern. Based on the premise that heuristic search in combinatorial spaces built on computer and human cognitive theories is useful for effective knowledge discovery, this study investigates how the use of self-organizing maps as a tool of data visualization in data mining plays a significant role in human–computer interactive knowledge discovery. This article presents the conceptual foundations of the integration of data visualization and query processing for knowledge discovery, and proposes a set of query functions for the validation of self-organizing maps in data mining. Received 1 November 1999 / Revised 2 March 2000 / Accepted in revised form 20 October 2000     

超图在数据挖掘领域中的几个应用

数据挖掘技术的进一步发展同新理论和新方法的应用密切相关.超图以图论和集合论为基础,近年来在数据挖掘领域超图理论已经得到运用.首先概述了超图的基本概念,然后重点介绍结合了超图理论的新的关联规则挖掘算法Maradbcm,以及超图在聚类、空间数据挖掘方面的运用情况.     

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。     

数据聚类中基于浓度噪音消除的可视化参数选择方法

可视化技术的发展极大地提高了传统数据挖掘技术的效率.通过结合人类识别模式的能力,计算机程序能够更有效的发现隐藏在数据中的规律和信息.作为聚类分析的重要步骤,噪音消除一直都是困绕数据挖掘研究者的问题,尤其对于不同领域的应用,由于噪音的模型和定义不同,单一的数据处理方法无法有效而准确地去除域相关的噪音.本文针对这一问题,提出了一个新型的可视化噪音处理方法CLEAN.CLEAN的独特之处在于它设计的噪音处理技术和提出的可视化方法有机地结合在一起.噪音处理算法为可视化模型生成所需数据,同时针对噪音处理算法选择可视化方法,从而达到提高整个数据处理系统性能的目的.这样不仅降低了噪音去除过程中主观因素的影响,还可以帮助数据挖掘程序去除领域相关的噪音.同时源数据的质量,算法参数的选择和不同噪音去除算法的精确性都可以在所使用的可视化模型中反映出来.实验表明CLEAN能够有效地帮助空间数据聚类算法在噪音环境下发现数据的自然聚类.     

KNOWLEDGE MANAGEMENT,KNOWLEDGE DISCOVERY,AND DYNAMIC INTELLIGENT DATA MINING

During the last two to three decades, many scientific as well business areas have moved from a situation of a lack of (electronically) readable information into a situation of abundant data. Data warehouses appeared, and the problem of extracting information from large masses of data became more and more important. Also knowledge became a very precious commodity, and its efficient use often makes the difference between success and failure. Finding useful information or patterns in raw data is known in the literature under various names, such as knowledge discovery in data bases, data mining, knowledge extraction, information discovery, information harvesting, data archaeology, etc. Many research areas, such as machine learning, pattern recognition, artificial intelligence, knowledge acquisition for expert systems, data visualization, and others are concerned with these activities, and the terminology used is not unequivocally defined.

In this article, we shall first consider the different interpretations of the notions previously mentioned, and we shall then describe in more detail a recent technology that is very useful for data mining as well as for related areas.     

RETRACTED ARTICLE: Chinese regional economic cooperative development model based on network analysis and multimedia data visualization

Since the reform and opening up, China’s economic development has been accelerating. In the current world economic system, China occupies a very important position. However, there is a phenomenon of uneven economic growth among different regions, namely, there are large differences in economic growth rates and economic development levels between different provinces and cities. In recent years, a large number of studies have shown that China’s regional economic growth has obvious spatial correlation. In this paper, we adopt the method of network analysis to study and explain the spatial correlation of regional economic growth. Multimedia mining is a combination of data mining technology and multimedia technology. It is a cross-disciplinary field of knowledge discovery, data mining, artificial intelligence, machine learning, database technology, and multimedia technology. Therefore, data visualization technology can be used to study the coordinated development model of regional economy. Multimedia data visualization is an evolving concept whose boundaries are constantly expanding, mainly referring to technologically advanced technical methods that allow the use of graphics, image processing, computer vision, and user interfaces. Visualize data by expressing, modeling, and displaying stereo, surface, attributes, and animations. Compared with special technical methods such as stereo modeling, the technical methods covered by data visualization are much broader. The simulation results prove that the propose model can obtain the better overall perforamcne.

     

Textual Data Mining to Support Science and Technology Management

This paper surveys applications of data mining techniques to large text collections, and illustrates how those techniques can be used to support the management of science and technology research. Specific issues that arise repeatedly in the conduct of research management are described, and a textual data mining architecture that extends a classic paradigm for knowledge discovery in databases is introduced. That architecture integrates information retrieval from text collections, information extraction to obtain data from individual texts, data warehousing for the extracted data, data mining to discover useful patterns in the data, and visualization of the resulting patterns. At the core of this architecture is a broad view of data mining—the process of discovering patterns in large collections of data—and that step is described in some detail. The final section of the paper illustrates how these ideas can be applied in practice, drawing upon examples from the recently completed first phase of the textual data mining program at the Office of Naval Research. The paper concludes by identifying some research directions that offer significant potential for improving the utility of textual data mining for research management applications.     

一种新型简单图社区结构发现算法

在大型复杂网络中自动搜寻或发现社区具有重要的实际应用价值。该文把超图模型以及基于此的聚类算法应用到社区结构发现的领域。对于简单图的社区结构发现,引入边凝聚系数的概念,提出了基于边凝聚系数的社区发现算法。将安然邮件数据集作为测试数据集,通过算法对比分析,证明该算法在时间复杂度上可以提高一个数量级。     

Structural Decomposition Trees

Researchers and analysts in modern industrial and academic environments are faced with a daunting amount of multi‐dimensional data. While there has been significant development in the areas of data mining and knowledge discovery, there is still the need for improved visualizations and generic solutions. The state‐of‐the‐art in visual analytics and exploratory data visualization is to incorporate more profound analysis methods while focusing on fast interactive abilities. The common trend in these scenarios is to either visualize an abstraction of the data set or to better utilize screen‐space. This paper presents a novel technique that combines clustering, dimension reduction and multi‐dimensional data representation to form a multivariate data visualization that incorporates both detail and overview. This amalgamation counters the individual drawbacks of common projection and multi‐dimensional data visualization techniques, namely ambiguity and clutter. A specific clustering criterion is used to decompose a multi‐dimensional data set into a hierarchical tree structure. This decomposition is embedded in a novel Dimensional Anchor visualization through the use of a weighted linear dimension reduction technique. The resulting Structural Decomposition Tree (SDT) provides not only an insight of the data set's inherent structure, but also conveys detailed coordinate value information. Further, fast and intuitive interaction techniques are explored in order to guide the user in highlighting, brushing, and filtering of the data.