多尺度关联规则尺度上推算法

数据挖掘在多尺度研究方面取得了一些成果。然而,多尺度数据挖掘研究还不够深入和完善。目前针对空间和图像数据的研究较多,对于一般数据的多尺度数据挖掘的研究较少。随着大数据应用的不断发展,其研究显得尤为重要。针对上述问题,进行了普适的多尺度关联规则尺度转换方法的研究。首先,基于包含度的相似度理论提出频繁项集的处理方法;然后,以图像金字塔为理论基础,提出了多尺度关联规则尺度上推算法MSARSUA(Multi-Scale Association Rules Scaling Up Algorithm);最后,利用H省¹⁾全员人口真实数据集、UCI公用数据集和IBM数据集对所提算法进行了实验验证与分析,结果表明MSARSUA具有较高的覆盖率、较高的F1-measure值和较低的平均支持度估计误差,在效率上比Apriori算法和FP-Growth算法有较大的提升,在性能上比SU-ARMA有更好的表现。     

多尺度数据挖掘方法

多尺度理论已被引入到数据挖掘领域,但人们对其研究仍不够深入和完善,缺乏普适性理论与方法.随着大数据处理应用的不断深入,其研究变得更加迫切.针对上述问题,进行了普适的多尺度数据挖掘理论和方法的研究.首先,基于概念分层理论给出了数据尺度划分和数据尺度的定义以及多尺度数据集之间的上下层尺度数据集关系;其次,阐明了多尺度数据挖掘的定义、研究实质和方法分类;最后,提出了多尺度数据挖掘算法框架,给出其理论基础,并将此框架应用于关联规则挖掘,提出了多尺度关联规则挖掘算法MSARMA（multi-scale association rules mining algorithm）,实现了多尺度数据集之间知识的跨尺度推导.利用IBM T10I4D100K数据集和H省全员人口真实数据集对MSARMA算法进行了实验和分析,实验结果表明：算法具有较高的覆盖率、精确度和较低的支持度估计误差,是可行且有效的.     

基于遥感测量的土地覆盖景观格局多尺度研究

用景观格局指数来描述景观格局及结构特征,建立格局与过程之间的联系,是景观生态学最常用的定量化研究方法。在RS与GIS技术支持下,采用SPOT遥感图像作为数据源,对武汉东部城乡交错地带的土地覆盖景观进行计算,利用因子分析方法对37种常用的格局指数进行了选择并比较不同粒度上的差异。结果表明绝大多数景观格局指数都存在相关关系,故用一组不相互独立的景观指数描述景观格局则不具有说服力。通过因子分析我们把景观格局指数简化为3个主要的公因子:聚散性/多样性指标,面积、边缘指标和形状指标。这3大类指标的具体格局指数虽因粒度大小的变化有所改变,但在每个尺度层次上都呈现相似的特点,都能较好地表征研究区的土地覆盖特征,反映城乡交错地带的景观格局特点。通过本文的分析,我们认为,针对不同的数据类型和不同的研究区域有必要选择合适的景观格局指数来进行景观的空间格局分析。     

数据立方体上多维多层关联规则挖掘算法

重点结合联机分析挖掘的思想,讨论了数据立方体上的多维多层关联规则挖掘。基于数据立方体和FP算法提出并构建了体现概念层次的Hib＆Dim FP树和其挖掘算法Hib＆Dim FP算法,并把此算法应用于数据立方体上的多维多层关联规则挖掘。最后的实验证明了该算法的有效性。     

点对象的多尺度空间关联规则挖掘算法研究

由于空间数据的多尺度性,在多尺度的空间数据中也存在概念层次关系。文中根据从小尺度的空间关联规则推导大尺度空间关联规则的思想,提出了一种点对象在多尺度的空间数据中生成概念层次关系的算法。实验表明,算法是有效的。     

多源遥感影像数据的尺度整合方法

遥感影像数据越来越多源化,对不同尺度的遥感数据进行整合是遥感影像数据管理的基础性工作。本文提出了两种数据整合的方式:“紧”整合和“松”整合,实现了不同尺度数据的关联,可以为不同尺度的遥感数据的尺度整合、数据融合提供依据,也可为遥感建模提供数据支持,并以北京市区的遥感影像为例,为多源数据的尺度整合提供了范例。     

体数据的多尺度张量表达与可视化

图形硬件的发展为实时体数据可视化提供了硬件保证,然而随着扫描技术的发展,大数据可视化仍然面临显存不足问题,因此研究保持数据特征的压缩表达方法就非常重要。应用张量近似思想建立了体数据的多尺度表达与可视化方法,一方面多尺度张量近似实现了数据压缩,解决了大数据的绘制问题;另一方面,张量近似的自适应压缩基保持了体数据的尺度特征。实验结果表明,该方法是有效的。     

地物提取的多尺度特征遥感应用分析

通过空间尺度效应分析,阐述不同属性景观地物在同一分辨率或同一尺度影像中提取的不合理性。为获得精确的地表信息,提出多尺度遥感影像分析方法,解决不同地物在不同空间尺度影像数据中提取的难题。通过多种分辨率影像的多尺度影像信息提取的应用实践,分析地物提取中的多尺度特性、尺度与分辨率关系等。     

基于频繁模式树的普遍化关联规则挖掘

提出了基于频繁模式树的普遍化关联规则挖掘算法 MGAR- FP,充分利用频繁模式树的性质 ,避免大量候选模式的生成和频繁模式匹配 ,提高了挖掘的效率和速度 .实验表明 ,算法是有效的 ,比传统的普遍化关联规则挖掘算法Cum ulate快     

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。     

空间数据关联规则挖掘研究综述

介绍空间数据关联规则挖掘的理论及其在研究上的应用,综述空间数据关联规则挖掘算法的应用成果,指出其应用前景和存在的问题.     

一种新的周期性关联规则模型

针对已有周期性关联规则模型的局限性,本文提出一种新的周期性关联规则模型。此模型通过聚类分析将一个周期分成若干个长度可能不同的时间段,从而更准确地发现周期性关联规则。文章还给出相应的挖掘算法。     

基于位置索引矩阵的关联规则挖掘算法

提出一种基于位置索引思想的算法,通过IMFI矩阵,在当前候选项集合包含的项中保存其下一次出现时的位置编号,从而实现频繁模式发现的跨越式搜索。实验结果表明,与布尔矩阵挖掘算法相比,该算法极大减少了访问的事务量,具有更高的挖掘效率。     

一种事务互补挖掘算法的研究及应用

提出一种事务互补的挖掘算法,其适合挖掘任何长度的频繁项目集。该算法用事务互补搜索策略产生候选项,使用频繁项目集修剪其子集和非频繁项目集修剪其超集策略减少候选项;在计算支持数时使用了二进制的逻辑运算和事务特性,提高了算法的效率。将其应用到横向空间关联规则挖掘中,实验表明该算法是快速而有效的。     

矢量空间数据库中关联规则的挖掘算法研究

按照矢量空间数据的特点和空间数据挖掘的要求,以GIS的空间分析和空间数据处理为工具,探讨了矢量空间数据库中关联规则挖掘的数据处理方法,提出了关联规则的挖掘算法。最后,通过实例进行了验证。     

直接从空间数据中挖掘频繁模式

为简化空间频繁模式挖掘的预处理步骤并提高挖掘效率, 提出一种可以直接以空间矢量和栅格图层作为输入的挖掘算法FISA(fast intersect spatial Apriori)。该算法利用图层求交和面积计算操作实现谓词集支持度计数进而实现频繁谓词集和关联规则挖掘。相对于基于事务空间关联规则挖掘算法, FISA不需要预先进行空间数据事务化处理, 并且所得结果均有对应图层, 便于实现结果的可视化; 相对于其他基于空间分析的挖掘算法, FISA支持空间数据的矢量和栅格格式, 且引入了快速求交方法以保证其可伸缩性。实验结果表明该算法可以直接从空间数据中高效正确地挖掘出频繁模式。