基于凝聚层次聚类的co-location模式挖掘

空间的co-location模式代表一组空间对象的子集,它们的实例在空间中频繁地关联,它是空间数据挖掘的重要研究方向.本文首先介绍co-location模式挖掘的基本算法,然后提出一种新的挖掘算法,算法先对空间数据进行凝聚层次聚类,在聚类结果上挖掘co-location模式,最后对这种新的算法作实验评估.     

一种基于投影FP-growth的co-location模式挖掘算法

空间co-location模式代表了一组空间属性的子集,它们的实例在地理空间中频繁地关联。针对如何利用关联规则挖掘算法来快速地挖掘co-location模式的问题,通过采用FP-CM算法与投影频繁模式树(PFP_tree)及其他技术相结合的方法,提出了一种基于投影FP-growth的co-location挖掘算法,简称PFP_CM算法。这个新算法主要对产生最大频繁模式的方法、模式过滤的方法、访问数据库的次数、避免大量的表实例连接操作的方法进行改进。最后通过大量的实验,验证了该算法的高效性和正确性,同时,将其用于对三江并流地区珍稀植物的共生物种进行挖掘。     

从动态空间数据库中挖掘共生关系和竞争关系

空间co-location模式挖掘是空间数据挖掘的一个重要研究方向.空间co-location模式是空间特征的一个子集,它们的实例在空间中频繁关联,模式中的各个特征之间是位置共存的关系.然而,除了位置共存之外,这些特征可能还具有进一步的关系,例如相互依存的共生关系、争夺同一个环境资源的竞争关系.从动态空间数据库中挖掘隐含在空间co-location模式中的共生关系和竞争关系,挖掘目标分别为强共生模式和竞争对.给出了强共生模式和竞争对的定义,提出了挖掘强共生模式和竞争对的新颖的算法及剪枝策略.并在"合成+真实"数据中验证了算法的效率以及挖掘结果的意义.     

基于DS理论的不确定空间co-location模式挖掘

 提出一种基于DS理论的co-location挖掘方法.先将数据集按照空间对象分类,然后从分类后的子数据集中依次提取该空间对象的实例,与其他空间对象数据集中的各个实例进行配对,将找到的各实例关系记录到一个新的关系表中,作为使用DS理论求解的基础.从一个新的角度来研究co-location挖掘技术,在DS理论的基础上重新定义了参与度,基于新定义的参与度来求解co-location模式.     

dGridTopk-FCPM:一种基于模糊理论和d-网格的Top-k空间co-location模式挖掘方法

空间co-location模式是指在空间中相互邻近且频繁出现的空间特征的集合。由于传统的co-location模式挖掘使用单一的距离阈值来定义空间邻近关系,忽略了距离变化对空间邻近关系带来的影响,并且最小频繁度阈值的设定对于没有数据相关专业知识的用户来说存在一定的困难。针对上述问题,该文提出了一种基于模糊理论和d-网格的邻近隶属度计算方法,该方法可以避免计算Euclid距离并且可以利用d-网格快速找到满足模糊邻近关系的极大团,然后结合Top-k思想,挖掘出频繁度最大的k个空间co-location模式。实验结果表明:该方法具有更高效的性能和更细致的计算结果,并且通过比较召回率,发现该方法得到的频繁度最大的k个模式与传统co-location模式挖掘算法得到的频繁度最大的k个模式大部分相同,说明提出的模糊度量和挖掘算法具有较大的实用价值。     

基于直角多边形近似的空间连接查询

空间查询效率是衡量空间数据库性能的关键,而空间连接查询是最耗时、最重要的这僮查询。本文在分析了空间连接以往工作的基础上,采用一种新的空间近似方法－－直角多边形近似,改进空间对象的近似精度,并用于基于R 树的空间连接方法,给出了连接算法,并用实验验证了方法的有效性。     

基于并行计算的空间co-location模式挖掘

提出适合并行计算的空间数据分区算法,并在此基础上提出基于并行计算的空间co-location挖掘算法.在三类数据集上做了大量的实验.实验结果表明,基于并行计算的算法在很大程度上提高了挖掘的效率,为进行空间大数据的挖掘提供了有效且快速的方法.     

Apriori算法与FP-tree算法的探讨

在关联规则挖掘中,Apriori和FP-tree是两种最基本的算法.文章讨论这两种算法的基本思想、数据挖掘步骤、优缺点并以具体的实例描述两种算法的实现过程.深入分析这两种算法为关联规则挖掘算法的扩展和改进奠定了基础.     

基于模式融合挖掘巨型频繁co-location模式

利用模式融合思想提出了一个空间co-location模式挖掘算法,该算法通过每次融合小模式来快速生成含有大量特征的巨型频繁模式,从而避开了大量的中间模式.并且,由于模式融合旨在产生近似解,因此又引进了一个质量评估模型,评估算法返回的模式.     

对象管理的空间连接策略与算法

空间连接是空间数据库对象管理研究的一个至关重要问题,也是近年来研究的热点之一,一讨论了对象管理的空间连接策略与过滤机制,并在Ｇ树的基础上提出了一种新的空间连接算法,有效地解决了空间对象连接的效率问题。     

同位模式挖掘中一种改进的极大团事务化算法

发现不同空间对象类型的同位关系是重要的空间数据挖掘问题.研究了目前提出的2类典型同位模式挖掘算法,提出了一种改进的极大团空间事务化算法(CoreClique),该算法以核心团为基础来产生极大团,避免了核心团内部实例点成团的计算量,通过核心团与扩展团的结合可较全面地发现空间中的极大团信息.实验表明,该算法可以有效地产生极大团,对空间数据进行事务化处理.     

考虑对象方向关系的密度聚类算法

 聚类分析是数据挖掘的一个重要研究方向.为了在大规模空间数据库中发现任意形状的聚类,Martin Ester等提出基于密度的聚类算法DBSCAN.针对DBSCAN处理聚类边界对象的不足,提出了聚类时考虑对象方向关系的改进算法,实验表明,改进算法在不改变时间、空间复杂度的情况下能得到更好的聚类结果.     

空间数据挖掘的研究与应用

空间数据挖掘就是从空间数据库中抽取隐含的知识、空间关系或是空间数据库中存储的其他的隐含的模式的过程 空间数据挖掘在地理信息系统(GIS)、空间遥感、测绘、资源和环境管理等很多领域有广泛的应用前景 本文对空间数据挖掘的具体应用进行了探讨.     

两个经典频繁子图挖掘算法的对比与分析

AGM算法和HSIGRAM算法是两个经典的频繁子图挖掘算法,在基于图的数据挖掘中有重要的应用.从算法思想和应用技术两个方面分析了AGM算法和HSIGRAM算法的异同点,结合基于图的数据挖掘的特性,提出针对这两个算法的改进策略.     

Research on spatial association rules mining in two direction

In data mining from transaction DB, the relationships between the attributes have been focused, but the relationships between the tuples have not been taken into account. In spatial database, there are relationships between the attributes and the tuples, and most of the associations occur between the tuples, such as adjacent, intersection, overlap and other topological relationships. So the tasks of spatial data association rules mining include mining the relationships between attributes of spatial objects, which are called as vertical direction DM, and the relationships between the tuples, which are called as horizontal direction DM. This paper analyzes the storage models of spatial data, uses for reference the technologies of data mining in transaction DB, defines the spatial data association rule, including vertical direction association rule, horizontal direction association rule and twodirection association rule, discusses the measurement of spatial association rule interestingness, and puts forward the work flows of spatial association rule data mining. During twodirection spatial association rules mining, an algorithm is proposed to get nonspatial itemsets. By virtue of spatial analysis, the spatial relations were transferred into nonspatial associations and the nonspatial itemsets were gotten. Based on the nonspatial itemsets, the Apriori algorithm or other algorithms could be used to get the frequent itemsets and then the spatial association rules come into being. Using spatial DB, the spatial association rules were gotten to validate the algorithm, and the test results show that this algorithm is efficient and can mine the interesting spatial rules.     

Research on spatial association rules mining in two-direction

In data mining from transaction DB, the relationships between the attributes have been focused, but the relationships between the tuples have not been taken into account. In spatial database, there are relationships between the attributes and the tuples, and most of the associations occur between the tuples, such as adjacent, intersection, overlap and other topological relationships. So the tasks of spatial data association rules mining include mining the relationships between attributes of spatial objects, which are called as vertical direction DM, and the relationships between the tuples, which are called as horizontal direction DM. This paper analyzes the storage models of spatial data, uses for reference the technologies of data mining in transaction DB, defines the spatial data association rule, including vertical direction association rule, horizontal direction association rule and two-direction association rule, discusses the measurement of spatial association rule interestingness, and puts forward the work flows of spatial association rule data mining. During two-direction spatial association rules mining, an algorithm is proposed to get non-spatial itemsets. By virtue of spatial analysis, the spatial relations were transferred into non-spatial associations and the non-spatial itemsets were gotten. Based on the non-spatial itemsets, the Apriori algorithm or other algorithms could be used to get the frequent itemsets and then the spatial association rules come into being. Using spatial DB, the spatial association rules were gotten to validate the algorithm, and the test results show that this algorithm is efficient and can mine the interesting spatial rules.     

基于K-Means聚类的R-树空间索引方法研究与分析

 空间聚类和空间索引的结合是当前空间数据库中提高数据检索效率的技术之一。本文从空间聚类和空间索引的存储原理入手,阐述了K-Means聚类算法及其改进算法的技术思路,研究了K-Means算法在空间数据库中与空间索引方法结合的技术问题;分析了当前基于K-Means算法的R-树系列空间索引技术的研究成果,阐述了它们提高空间检索效率的技术路线及实验结果,研究显示这些技术都能在一定程度上提高数据检索的效率。最后给出了聚类与空间索引结合技术未来的研究方向。     

一种基于朴素贝叶斯分类法的空间分类算法

 空间分类是空间数据挖掘的重要分支,寻找高效的空间分类算法是空间分类研究的重要方向.在空间对象的邻接图及朴素贝叶斯分类法的基础上提出一个新的空间分类算法,该算法对空间对象进行分类时,既考虑了待分类对象的属性对分类的影响,又考虑了其空间邻接对象对它分类的影响.该算法的计算复杂度不高,分类的正确性好.     

一种新的空间分类挖掘方法

空间分类是空间数据挖掘的一个重要的研究分支 ,空间分类挖掘在对空间对象进行分类时 ,要考虑空间对象的非空间属性及其邻接对象对它分类的影响。本文提出一种新的空间分类挖掘方法 ,该方法将空间对象的非空间属性及空间属性分开来进行考虑。该分类方法具有良好的应用前景。