基于邻接关系的空间数据挖掘技术的研究

随着现代科学技术的迅速发展，复杂多变的空间数据日益膨胀，远远超出人们的解译能力，迫切地需要数据挖掘和知识发现为其提供知识。文中从空间数据挖掘的基本概念出发，详细阐述了空间数据的特点、空间邻接关系及其相关操作，并针对空间邻接关系给出了几种典型的空间数据挖掘方法。     

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。     

基于邻接关系的空间趋势检测算法研究

A regular change of one or more non-spatial attributes can be detected when moving away from a given start object. Moreover, spatial objects are often influenced by their neighbors. And the influence typically decreases or increases more or less continuously with increasing or decreasing distance. Due to the attributes of the neighbors are always similar or associated to each other, spatial trend detection based on spatial neighborhood relations is analyzed to extract useful knowledge in this paper.     

基于邻接关系的空间聚类算法研究

聚类指的是把数据库里的对象分组成有意义的子集,使得一个聚类内的成员尽可能相似,而不同聚类间的成员差异尽可能大。空闻对象的主要特性受其邻接对象的影响,并且随着距离的增加或减少,影响作用也相应地增加或减少。论文针对相邻空间对象的特性总是相似或相关联的特点,以邻接关系为基础对空间聚类算法进行了分析与研究。     

空间数据挖掘关键问题研究

With the rapid development of remote sensing and mapping technology and the widespread application of spatial database system, the spatial data collected and stored by human expand increasingly. These very large datasets far exceed human's capabilities of comprehending and handling, so the requirement of spatial data mining to pro-vide human with valuable information becomes in stant need. In this paper, the methods of spatial data handling in spatial data mining are discussed from a database perspective, the key problems of spatial data mining and their solu-tions in current study are presented, the relations between spatial data mining and geographical information system are analyzed.     

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。     

基于空间数据仓库的空间数据挖掘研究

分析了空间数据仓库的特点和体系结构，在空间数据仓库的基础上提出了一种空间数据挖掘的模型结构，介绍了一些常用空间数据挖掘算法，并展望了其广阔的应用前景。     

空间数据挖掘的研究进展

随着现代科学技术的迅速发展,复杂多变的空间数据日益膨胀,远远超出人们的解译能力,迫切需要新的数据挖掘技术和知识为其提供方法。文章从空间数据挖掘的基本概念出发,详细阐述了空间数据挖掘的特点、可发现的知识类型以及进行空间数据挖掘的主要方法,并给出了一种基于多组件空间数据挖掘的体系结构。最后,还对空间数据挖掘的进一步发展做了展望。     

空间数据挖掘的研究

空间数据挖掘（Spatial Data Mining,SDM）作为数据挖掘的一项极其重要的分支领域,广泛应用于地理信息系统和遥感等领域。文章主要研究了空间数据挖掘技术,首先简单介绍了粗糙集和遗传算法有关的方法和基本理论,其次重点阐述了获取空间数据的数据预处理方法,最后介绍了粗糙集和遗传算法数据挖掘。总之,文章提出了一种采用粗糙集和遗传算法,实现空间的数据挖掘,可以指导实际项目的实施。     

空间数据挖掘的回顾与展望

数据挖掘的研究已从关系型和事务型数据库扩展到了空间数据库。文章试就空间数据挖掘各个方面的内容作一个详细的回顾，同时也探讨了这一领域的发展方向。     

数据挖掘与数据仓库的关联

本文简述了数据挖掘和数据仓库的相关知识,探讨了数据挖掘和数据仓库之间的紧密关系。     

基于校园GIS的空间数据挖掘系统原型

为了建立数字校园信息平台,必须对校园GIS数据进行分析和挖掘。文中提出将校园GIS与数据挖掘系统进行集成,空间数据库系统负责空间信息抽取,GIS实现对挖掘结果进行可视化显示。搭建一个空间数据挖掘原型系统模型,利用设计的挖掘算法,挖掘出空间数据库中隐含的知识,并将空间数据挖掘结果进行可视化输出。该原型系统已成功应用于某高校校园GIS,不仅可以挖掘显示知识（校园每个教学楼的上座率）,还可以发现隐藏在校园GIS中的隐式知识,是对现有空间数据挖掘系统的有益改进和补充。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法。数据挖掘研究的实旌对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便。关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点。粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取。该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的。     

数据挖掘中基于Rough Set方法研究

随着数据挖掘的兴起,有许多分类和预测的方法.数据挖掘研究的实施对象多为关系型数据库,这给粗糙集方法的应用带来了极大的方便.关系表可被看作为粗糙集理论中的决策表,而利用粗糙集理论来处理数据挖掘有着传统挖掘工具所不具有的优点.粗糙集理论是一种处理不确定和不精确问题的数学工具,文中通过实例介绍了粗糙集的基本理论,并通过实例详细介绍了在基于对决策表属性约简的基础上采用了可变精度粗糙模型实现规则的获取.该实例说明了对于不完备的信息系统,应用粗糙集理论进行数据挖掘是非常有效的.     

数据挖掘在客户关系管理中的应用研究

为了从企业客户数据库中挖掘出用户的商业行为和规律,研究了数据挖掘的体系结构和客户关系管理框架,以某电器行业客户关系管理系统为例,设计了系统的功能模块。针对系统的实施,构建了其数据仓库模型,设计了基于数据挖掘的客户关系挖掘算法。     

数据挖掘在客户关系管理中的应用研究

为了从企业客户数据库中挖掘出用户的商业行为和规律,研究了数据挖掘的体系结构和客户关系管理框架,以某电器行业客户关系管理系统为例．设计了系统的功能模块。针对系统的实施,构建了其数据仓库模型,设计了基于数据挖掘的客户关系挖掘算法。     

基于空间数据挖掘的分区异步元胞自动机模型研究

传统的元胞自动机模型采用统一的转换规则和相同的演化速率进行演化,忽略了地理现象演变的时空差异性：演化规律的空间异质性和演化速率的空间差异性。针对这一问题,提出了基于空间数据挖掘的分区异步元胞自动机模型,采用双约束空间聚类的方法对元胞空间进行分区,用分区转换规则替代统一转换规则可以体现地理现象演化规律的空间差异性;采用标准格网划分的方法求取异步元胞演化速率,用异步演化速率替代同步演化速率可以体现地理现象演化速率的空间差异性。以杭州市土地利用变化为例对基于空间数据挖掘的分区异步元胞自动机模型进行了实证研究,结果表明：与传统的元胞自动机模型相比,基于空间数据挖掘的分区异步元胞自动机模型具有较高的模拟精度,并且适用于较大区域较长时间段地理现象的动态变化模拟。基于空间数据挖掘的分区异步元胞自动机模型是地理元胞自动机研究的新视角,它将地理现象演变的空间异质性和时间差异性引入到地理元胞自动机模型中,使模型对地理过程的模拟更接近实际地理过程。然而,由于有关分区异步的元胞自动机模型还处于尝试性研究阶段,在元胞空间分区方法、双约束空间聚类算法中权重的确定方法、元胞演化速率的获取方法、元胞转换规则的获取方法、模拟精度评估以及分区异步元胞自动机模型在较大区域较长时间的地理现象模拟中的应用等方面有待进一步的研究与探讨。