基于模糊技术的空间co-location模式挖掘研究

发布时间：2021-08-06 18:44

　　随着全球定位系统的不断发展和移动设备的迅速普及,基于位置信息的空间数据呈爆炸式增长。与传统数据相比,空间数据表示的语义信息更加丰富,形式和性质也更为复杂,使得空间数据挖掘相较于传统的事务数据挖掘更富挑战性。为了从海量空间数据中发现有用的知识,从而对人类的生产生活加以指导,空间数据挖掘应运而生。空间co-location模式挖掘是空间数据挖掘中的一个分支,主要目的是挖掘在空间中具有并置（co-located）关系的空间特征的集合,挖掘空间co-location模式在空间决策、智慧城市建设、环境保护等领域具有重要的作用。传统co-location模式挖掘框架存在诸多局限性。第一,传统co-location模式挖掘框架使用单一的邻近阈值来判定空间邻近关系,这会造成邻近关系的丢失,也没有考虑距离大小的不同对实例间邻近程度的影响。第二,传统co-location模式挖掘框架使用最小参与度衡量co-location模式的频繁性,会导致挖掘不出带稀有特征的co-location模式,同时算法对最小参与度非常敏感。为了解决以上传统co-location模式挖掘框架带来的局限,基于“物以类聚”的原理,H... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

示例2

?实例的分布计算出不同空间特征之间的相似度，再利用聚类算法对特征进行聚类，??得出最后的ｃｏ－ｌｏｃａｔｉｏｎ模式，图１．４为分层聚类的挖掘流程。文献［１５］第一次提出??使用分层聚类的方法进行ｃｏ－ｌｏｃａｔｉｏｎ模式的挖掘，该文使用的聚类算法是凝聚层??次聚类算法：文献［３１］提出结合核密度估计和多边形聚类技术识别ｃｏ－ｌｏｃａｔｉｏｎ模式??的频繁区域的方法，之后在空间ｃｏ－ｌｏｃａｔｉｏｎ模式中应用聚类算法的研宄鲜有报道。??一几／２，／３、１?｜｜?１?．??图１．３：混合聚类流程图??聚类???＾?????＇Ｎ??ｃｏ－ｌｏｃａｔｉｏｎ??模式??图１．４：分层聚类流程图??１．２．２模糊集理论与模糊聚类??经典数学是以精确性为特性的，其主要描述的是具有确定性的对象，即这些??对象本身的含义是确定的，且对象间具有必然的关系。然而在现实世界中，很多??对象都是不能精确定义的类型，如“健康的人”、“学校附近”等概念，均没有??准确的判定条件，是模糊的概念。为了用数学模型描述这些事物，让计算机能精??确处理

示特征＇的实例集合。为了便于区分不同特征的不同实例，通常将每个实例用一??个唯一标识的三元组表示，记为?＜?特征类型，实例编号，空间位置＞。??图２．１展示了一个有５个特征的数据集的实例分布情况，为了便于描述，我们??将这五个空间特征分别用Ａ、Ｂ、Ｃ、Ｄ、Ｅ表示，并对每个特征的实例进行编号。??实例的抽象表示如表２．１所示。??９??

【参考文献】：
期刊论文
[1]带模糊属性的空间Co-Location模式挖掘研究[J]. 吴萍萍,王丽珍,周永恒.  计算机科学与探索. 2013(04)
[2]实例位置模糊的空间co-location模式挖掘研究[J]. 欧阳志平,王丽珍,周丽华.  计算机科学与探索. 2012(12)
[3]从不确定数据集中挖掘频繁Co-location模式[J]. 陆叶,王丽珍,张晓峰.  计算机科学与探索. 2009(06)



本文编号：3326289