隨著全球定位系統(tǒng)的不斷發(fā)展和移動設(shè)備的迅速普及,基于位置信息的空間數(shù)據(jù)呈爆炸式增長。與傳統(tǒng)數(shù)據(jù)相比,空間數(shù)據(jù)表示的語義信息更加豐富,形式和性質(zhì)也更為復(fù)雜,使得空間數(shù)據(jù)挖掘相較于傳統(tǒng)的事務(wù)數(shù)據(jù)挖掘更富挑戰(zhàn)性。為了從海量空間數(shù)據(jù)中發(fā)現(xiàn)有用的知識,從而對人類的生產(chǎn)生活加以指導(dǎo),空間數(shù)據(jù)挖掘應(yīng)運而生。空間co-location模式挖掘是空間數(shù)據(jù)挖掘中的一個分支,主要目的是挖掘在空間中具有并置（co-located）關(guān)系的空間特征的集合,挖掘空間co-location模式在空間決策、智慧城市建設(shè)、環(huán)境保護等領(lǐng)域具有重要的作用。傳統(tǒng)co-location模式挖掘框架存在諸多局限性。第一,傳統(tǒng)co-location模式挖掘框架使用單一的鄰近閾值來判定空間鄰近關(guān)系,這會造成鄰近關(guān)系的丟失,也沒有考慮距離大小的不同對實例間鄰近程度的影響。第二,傳統(tǒng)co-location模式挖掘框架使用最小參與度衡量co-location模式的頻繁性,會導(dǎo)致挖掘不出帶稀有特征的co-location模式,同時算法對最小參與度非常敏感。為了解決以上傳統(tǒng)co-location模式挖掘框架帶來的局限,基于“物以類聚”的原理,H... 

【文章來源】：云南大學(xué)云南省 211工程院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

示例2

?實例的分布計算出不同空間特征之間的相似度，再利用聚類算法對特征進行聚類，??得出最后的ｃｏ－ｌｏｃａｔｉｏｎ模式，圖１．４為分層聚類的挖掘流程。文獻［１５］第一次提出??使用分層聚類的方法進行ｃｏ－ｌｏｃａｔｉｏｎ模式的挖掘，該文使用的聚類算法是凝聚層??次聚類算法：文獻［３１］提出結(jié)合核密度估計和多邊形聚類技術(shù)識別ｃｏ－ｌｏｃａｔｉｏｎ模式??的頻繁區(qū)域的方法，之后在空間ｃｏ－ｌｏｃａｔｉｏｎ模式中應(yīng)用聚類算法的研宄鮮有報道。??一幾／２，／３、１?｜｜?１?．??圖１．３：混合聚類流程圖??聚類???＾?????＇Ｎ??ｃｏ－ｌｏｃａｔｉｏｎ??模式??圖１．４：分層聚類流程圖??１．２．２模糊集理論與模糊聚類??經(jīng)典數(shù)學(xué)是以精確性為特性的，其主要描述的是具有確定性的對象，即這些??對象本身的含義是確定的，且對象間具有必然的關(guān)系。然而在現(xiàn)實世界中，很多??對象都是不能精確定義的類型，如“健康的人”、“學(xué)校附近”等概念，均沒有??準(zhǔn)確的判定條件，是模糊的概念。為了用數(shù)學(xué)模型描述這些事物，讓計算機能精??確處理

示特征＇的實例集合。為了便于區(qū)分不同特征的不同實例，通常將每個實例用一??個唯一標(biāo)識的三元組表示，記為?＜?特征類型，實例編號，空間位置＞。??圖２．１展示了一個有５個特征的數(shù)據(jù)集的實例分布情況，為了便于描述，我們??將這五個空間特征分別用Ａ、Ｂ、Ｃ、Ｄ、Ｅ表示，并對每個特征的實例進行編號。??實例的抽象表示如表２．１所示。??９??

【參考文獻】：
期刊論文
[1]帶模糊屬性的空間Co-Location模式挖掘研究[J]. 吳萍萍,王麗珍,周永恒.  計算機科學(xué)與探索. 2013(04)
[2]實例位置模糊的空間co-location模式挖掘研究[J]. 歐陽志平,王麗珍,周麗華.  計算機科學(xué)與探索. 2012(12)
[3]從不確定數(shù)據(jù)集中挖掘頻繁Co-location模式[J]. 陸葉,王麗珍,張曉峰.  計算機科學(xué)與探索. 2009(06)



本文編號：3326289