空间数据挖掘模型和方法研究

本文提出一个基于空间数据仓库的空间数据挖掘模型，讨论了空间关联规则发现、空间分类发现、空间聚类发现和空间数据总结等四类空间数据挖掘任务的目标、采用的挖掘方法和空间采样数据的处理方法。最后，从基于空间数据仓库的数据挖掘角度出发，提出有待深入研究和探索的问题。     

基于空间数据仓库的空间数据挖掘研究

在讨论空间数据挖掘的相关技术对空间数据挖掘影响的基础上 ,提出一个基于空间数据仓库的空间数据挖掘模型 ,从基于空间数据仓库的数据挖掘角度出发 ,提出有待深入研究和探索的问题 .     

间数据挖掘模型和方法研究

本文提出一个基于空间数据仓库的空间数据挖掘模型,讨论了空间关联规则发现、空间分类发现、空间聚类发现和空间数据总结等四类空间数据挖掘任务的目标、采用的挖掘方法和空间采样数据的处理方法.最后,从基于空间数据仓库的数据挖掘角度出发,提出有待深入研究和探索的问题.     

空间聚类技术研究综述

空间数据挖掘是一种获取空间数据所蕴含知识的方法和技术.空间聚类是空间数据挖掘的重要研究内容,有着广泛的应用领域.介绍了空间聚类算法的分类和性能要求、空间聚类过程和方法.空间聚类算法主要有基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法、基于模型的方法以及其它形式的空间聚类算法.     

空间数据挖掘与GIS集成研究及应用

如何从复杂的空间数据中提取有价值的信息已经成为一个非常迫切的问题。空间数据挖掘的出现为解决该问题提供了一种新的思路。分析了空间数据挖掘与GIS集戍的必要性与可行性,总结了两者集成模式的3 种形式,提出了一种集成体系结构。该体系结构实现了空间数据挖掘与GIS的完全集成,能够较好地解决空间数据共享以及空间数据可视化问题,从而提高了数据挖掘与知识发现的效率。空间关联规则是空间数据挖掘的一个重要功能,它可以把空间数据库中的数据转化为知识。通过对空间数据信息进行分析,选用数据挖掘中的关联规则算法,实现了该集成结构的工作过程。     

一种分布式空间数据互操作体系结构

空间数据本质上是分布的，目前对集中式空间数据模型进行了大量的研究，而在分布式空间数据的研究方面尚处于起步阶段。为此提出了一种分布式空间数据的互操作模型--虚拟空间数据模型（vSDM），该模型适用于异构空间数据库的互操作和分布式空间数据的处理，向用户提供一个统一虚拟空间数据操作与查询方法。同时讨论了该模型的构成和特点，并分析了分布式空间数据库查询的层次体系结构。     

基于改进Kd-Tree构建算法的k近邻查询

k近邻查询算法是查询大规模空间数据的常用算法之一,使用Kd-Tree先构建大规模空间数据的索引,然后对搜索空间进行层次划分,再进行k近邻查询,能保证搜索的效率。但是,传统的Kd-Tree构建有两个缺点：使用测试数据点进行k近邻查询每次都需要回溯到根节点,影响了查询的效率;Kd-Tree使用split域对空间进行层次划分,空间划分为立方体（二维数据表现为矩形）,多边形空间在相交判断时会出现没必要进行数据距离比较的多余空间,这样会影响查询的效率。针对这两个缺点,本文提出了相应的改进算法---RB算法。实验结果证明,该算法比传统的KD算法拥有更高的查询效率。本文的主要贡献有两点：（1）构建一种快速创建Kd-Tree索引来支持KNN算法进行大规模数据的分类查询操作。（2）改进传统的Kd-Tree索引构建方法,提出新的改进算法RB算法,提高KNN算法查询的效率。     

基于草图内容的空间拓扑数据检索方法

空间数据蕴含了大量拓扑关系语义,但传统空间数据查询和检索方法没有很好地利用高层拓扑语义,导致在处理复杂空间场景时效能较低.针对这一局限性,提出了一种基于草图内容的空间数据检索算法.该算法在9-交集拓扑模型基础上引入不变矩方法,建立拓扑不变量用于描述复杂空间场景;采用独立成分分析和模糊支持向量机降低空间场景高维拓扑关系的冗余度,建立了独立拓扑关系;用相应训练好的支持向量机结合tf×idf模型实现空间场景检索.实验表明,该算法在低样本数情况下具有良好的分类推广能力以及良好的检索性能,为基于内容的空间数据检索建立了基础     

GIS中空间对象的不确定性研究

重点讨论了空间数据不确定性的概念、模型及研究方法,建议用目标模型和场模型来分别表示两类不同的空间对象,论述了空间统计学、模糊集理论、粗集理论、遗传算法、反思模型关数据不确定性研究中的应用,并给出了若干应用例子。     

GIS与可视化SDM技术集成问题探讨

随着地理信息获取技术飞速发展，使得当前存储在空间数据库中的空间数据的深度和广度得到了前所未有的发展．为了解决GIS目前面临的“数据爆炸但知识贫乏”的难题，在介绍GIS发展现状等相关问题、空间数据挖掘技术、可视化技术的基础上，分析了GIS中数据挖掘的过程、特点及其相关技术支持，探讨了可视化技术在GIS数据挖掘中的重要作用．对GIS与可视化交互空间数据挖掘集成技术进行了初步的研究，分析阐述了GIS与SDM集成的必要性、集成模式和集成路线，提出了一个以GIS为中心的二者集成的体系结构。     

永磁同步电机伺服控制系统的灰色PID控制

针对永磁同步电动机交流伺服系统中含有未知复杂干扰,其数学模型存在不确定量,会对PID控制算法的控制品质产生不良影响,无法满足高精度伺服系统指标要求这一缺欠,设计出一种结合传统PID控制与灰色预测补偿的灰色PID控制器.利用灰色理论对未知信息数据的处理能力,对伺服系统中的不确定量进行预测,建立灰色模型并实施补偿.仿真结果表明,应用了灰色PID控制的伺服系统,干扰被有效抑制,控制精度明显提高,达到了理想的控制效果.     

一种数据挖掘中的冰山查询优化算法

在数据挖掘技术中,关联规则可以挖掘发现大量的数据中项集之间有趣的关系或相关联系。冰山查询是关联规则挖掘的一种算法,特别是针对购物篮分析。介绍了数据挖掘的具体应用,使用改进的BUC算法(BUCE算法)以深度优先的处理方法,并综合其他传统算法,提高了处理冰山查询的有效性。同时BUCE算法在数据分组后聚集,减少I／O开销;对分组的数据排序,有利于数据的剪枝处理,将小于最小支持度的分组以后的数据可以全部剪去。所以BUCE算法提高了BUC算法的执行效率     

一种面向不确定数据流的模体发现算法

借鉴生物信息学中序列模式发现思想,提出了基于MEME（multiple expectation-maximization for motif elicitation）的不确定数据流模体发现算法。该算法根据不确定数据流的特点,设计了不确定滑动窗口的简化计算方法,改进了SAX（symbolic aggregate approximation）的符号化策略,用防空反导情报传感器网络中的一组不确定数据流验证了其可行性,通过植入不同数目模体的方法测试了其准确性,并在元组存在概率为1的条件下与已有算法进行比较,验证其有效性。     

一种适用于不规则分布数据的混合聚类算法

作为数据挖掘的一项重要技术,聚类分析具有广泛的应用领域.同时,聚类也是数据挖掘领域中一个相对比较困难的问题.在聚类算法中,基于模糊划分的FCM算法是一种重要的算法.和其它的算法相比,FCM算法具有计算简单、运算速度快,且有比较直观的几何意义的优点,因此在图像处理、模式识别等领域得到了广泛的应用.和所有的c均值算法一样,FCM算法也是只用类中心来表示类,这样只是适合球状类型的簇.本文在目前FCM算法研究的基础上,讨论了传统FCM算法在原型初始化上的局限性.提出一种基于层次凝聚的改进算法,使之能够适用于不规则分布的数据.     

基于增量DFT概要的数据流聚类算法

数据流聚类分析是数据流挖掘领域的重要分支。由于数据流海量、快速、动态到达,传统的静态数据挖掘技术不能满足在线分析的需求。数据流聚类的核心是设计单遍数据集扫描算法,在有限的内存中存储少量概要特征信息,实现数据流实时、在线聚类分析。采用数据流处理中广泛应用的滑动窗口模型,提出一种新的基于增量傅立叶变换(DFT)的数据流概要算法,并在此基础上运用k-均值(k-means)聚类,实现数据流的在线挖掘。基于增量DFT概要的数据流聚类算法可减少运行时间,节省内存空间,实际用电负荷数据证明了算法的有效性。     

不确定性数据的聚类分析研究及应用

对近年来不确定性数据聚类算法的研究现状与进展进行总结。首先对较有代表性的聚类算法,从思想、关键技术和优缺点等方面进行分析。其次选用数据集对基于密度的算法进行测试和对比分析。并给出基于不确定性数据的聚类算法,上述工作将为不确定数据管理提供有益的参考。     

关于Top-N最频繁项集挖掘的研究

最频繁项集挖掘决定了文本关联规则挖掘算法的性能,是文本关联规则挖掘中研究的重点和难点。该文分析了当前最频繁项集挖掘方面的不足,改进了传统的倒排表,结合最小支持度阈值动态调整策略,提出了一个新的基于改进的倒排表和集合理论的Top-N最频繁项集挖掘算法。同样,给出了几个命题和推论,并把它们用于该文算法以提高性能,实验结果表明,所提算法的规则有效率和时间性能优于NApriori算法和IntvMatrix算法。     

基于归纳逻辑程序设计的特异规则挖掘

从关系数据挖掘的角度提出了挖掘特异规则的方法,该方法通过面向属性的方法来识别特异数据.借鉴Chi2算法的思想实现了特异数据的离散,并定性地描述了数据的特异程度,结合经典的归纳逻辑程序设计系统FDIL,自然地挖掘出了特异规则,突破了传统命题级数据挖掘的框架.试验结果表明利用该方法能够发现被传统的关联规则挖掘算法所忽略的有价值的知识.     

一种多重最小支持度关联规则挖掘算法

针对单一最小支持度挖掘关联规则不能反应不同数据项出现频度与性质的问题,提出了一个基于频繁模式树的多重支持度关联规则挖掘算法MSDMFIA(Multiple minimum Supports for Discover Maximum Fre-quent Item sets Algorithm),根据不同数据项的特点定义多重支持度,通过挖掘数据库中的最大频繁项目集,计算最大频繁候选项目集在数据库中的支持度来发现关联规则.该算法可以解决关联规则挖掘中经常出现的稀少数据项问题,并解决了传统的关联规则挖掘算法中的生成频繁候选集和多次扫描数据库的性能瓶颈.实验结果表明,本文提出的算法在功能和性能方面均优于已有算法.