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.     

一种面向GIS的静态R-树数据组织方法

针对GIS空间数据提出了一种基于空间聚类的静态R-树生成方法.该方法用典型点法进行静态R-树数据组织,用空间对象的最小约束矩形代替空间对象本身进行空间聚类计算,形成若干聚类,并以R-树的构建规则进行适当调整,同时通过改进R-树的一些性能指标如覆盖区域、重叠面积和边界周长等提高其查询性能.通过将该算法与其他静态R-树算法如Low x算法、Hilbert R-树算法进行比较,论证了该算法的可行性.     

一种基于相交关系的GML空间聚类算法

提出一种基于相交关系的GML空间聚类算法SCIR,该算法以GML数据作为数据源,计算空间对象的相交关系,针对空间对象的相交关系和非空间属性,定义了一种相似度度量方法,利用ROCK算法进行聚类.实验结果表明,算法SCIR能实现GML数据中基于相交关系的空间对象聚类,并具有较高的效率.     

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.     

基于混合聚类算法的动态R-树

针对动态R-树是通过动态插入算法建立起来的, 其节点分裂算法的性能直接影响到R-树的性能和查询效率的问题, 为了使动态R-树适应多维复杂空间数据的要求, 提出一种用于实现R-树节点分裂的混合聚类算法（HCR）, 它建立在普通聚类算法的基础上, 并进行了一系列扩充. 针对空间对象的均匀分布与不均匀分布, HCR算法在实现R-树节点分裂时分别采用不同的聚类准则以提高其聚类效果和查询效率. 此外, 还将HCR算法与其他算法进行对比实验, 结果表明该算法具有较高的查询效率.     

基于几何元素的城市三维地理信息系统空间数据模型

空间数据模型是建立城市三维地理信息系统的核心问题。基于不同的城市空间对象划分方法 ,提出了城市三维地理信息系统的 18个空间数据模型 :①把空间现象抽象为点对象、线对象、规则面对象、规则体对象、不规则对象和DTM等 6类对象 ,基于 6种几何元素 (点、直线段、多边形、函数构造面、TIN面片、规则体素 )的不同组合 ,提出了城市三维地理信息系统的 9个空间数据模型 ;②把空间现象抽象为 5类对象 ,分别为零维空间对象 (点对象 )、一维空间对象 (线对象 )、二维空间对象 (面对象 )、三维空间对象 (体对象 )和DTM ,基于 6种几何元素的不同组合提出了 8个空间数据模型 ;③把空间现象抽象为零维对象、一维对象、二维对象、三维对象和DTM ,基于点、直线段、TIN面片、多边形、规则面、不规则面等 6类几何元素提出了一个空间数据模型。通过对一个数据模型的实验验证和各模型的理论分析 ,说明了这些模型的特点及可行性。     

基于几何元素的城市三维地理信息系统空间数据模型

空间数据模型是建立城市三维地理信息系统的核心问题。基于不同的城市空间对象划分方法，提出了城市三维地理信息系统的18个空间数据模型：①把空间现象抽象为点对象、线对象、规则面对象、规则体对象、不规则对象和UrM等6类对象，基于6种几何元素(点、直线段、多边形、函数构造面、TIN面片、规则体素)的不同组合，提出了城市三维地理信息系统的9个空间数据模型；②把空间现象抽象为5类对象，分别为零维空间对象(点对象)、一维空间对象(线对象)、二维空间对象(面对象)、三维空间对象(体对象)和DTM，基于6种几何元素的不同组合提出了8个空间数据模型；③把空间现象抽象为零维对象、一维对象、二维对象、三维对象和DTM，基于点、直线段、TIN面片、多边形、规则面、不规则面等6类几何元素提出了一个空间数据模型。通过对一个数据模型的实验验证和各模型的理论分析，说明了这些模型的特点及可行性。     

基于相交关系的GML空间线对象离群检测算法

提出了一种基于相交关系的GML空间线对象离群检测算法DOL-IR,该算法首先计算GML线对象与其他空间对象的相交关系,定义基于相交关系的相异度,将其作为空间线对象之间距离的度量准则,利用DBSCAN聚类算法检测离群的基于空间相交关系的线对象.实验结果表明,算法DOL-IR能准确地检测出离群的基于空间相交关系的线对象,并具有较高的效率.     

大数据分析中基于 MapReduce 的空间权重创建方法研究

大数据空间分析是 Cyber-GIS 的重要方面。如何利用现有的网络基础设施（比如大规模计算集群）对大数据进行并行分布式空间分析仍然是一大难题。为此,提出一种基于 MapReduce 的空间权重创建方法。该方法依托Hadoop 框架组织计算资源,基于 MapReduce 模式从大规模空间数据集中高效创建出空间权重：大空间数据被分为多个数据块,将映射器分布给计算集群中的不同节点,以便在数据中寻找出空间对象的相邻对象,由约简器从不同节点处收集相关结果并生成权重文件。利用 Amazon 公司弹性 MapReduce 的 Hadoop 框架,从人工空间数据中创建基于邻近概念的权重矩阵进行仿真。实验结果表明,该方法的性能优于传统方法,解决了大数据的空间权重创建问题。     

一种处理空间实体约束的空间聚类算法

分析了现有处理空间实体约束的空间聚类算法,提出一种处理空间实体约束的空间聚类算法SPOC.该算法对具有空间实体约束的空间对象进行聚类时,利用空间关系中的方向关系来选取新的中心对象,同时利用回溯的、非几何的方法求解障碍空间中两个空间对象间的障碍距离,实验表明算法SPOC是一种有效的处理空间实体约束的空间聚类算法.