數(shù)據(jù)挖掘原理與算法課件

《數(shù)據(jù)挖掘原理與算法課件》由會員分享，可在線閱讀，更多相關《數(shù)據(jù)挖掘原理與算法課件（54頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、,Click to edit Master,Click to edit Master text styles Click to edit Master Click to edit Master,Second level,Third level,Fourth level,Fifth level,*,*,第八章 空間挖掘,,,,,內(nèi)容提要,引言,,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,1,第八章 空間挖掘,空間挖掘技術概述,大量的空

2、間數(shù)據(jù)是從遙感、地理信息系統(tǒng)（,GIS,）、多媒體系統(tǒng)、醫(yī)學和衛(wèi)星圖像等多種應用中收集而來，收集到的數(shù)據(jù)遠遠超過了人腦分析的能力。日益發(fā)展的空間數(shù)據(jù)基礎設施為空間數(shù)據(jù)的自動化處理提出了新的課題。,空間數(shù)據(jù)的最常用的數(shù)據(jù)組織形式是空間數(shù)據(jù)庫?？臻g數(shù)據(jù)庫必須保存空間實體，這些空間實體是用空間數(shù)據(jù)類型和實體的空間關系來表示出來的?？臻g數(shù)據(jù)庫，不同于關系數(shù)據(jù)庫，它一般具有空間拓撲或距離信息，通常需要以復雜的多維空間索引結構組織。,空間挖掘（,Spatial Mining,）或被稱作空間數(shù)據(jù)挖掘,/,空間數(shù)據(jù)庫的知識發(fā)現(xiàn)，是數(shù)據(jù)挖掘技術在空間數(shù)據(jù)方面的應用。簡言之，空間數(shù)據(jù)挖掘，就是從空間數(shù)據(jù)庫中抽取隱

3、含的知識、空間關系或非顯式地存儲在空間數(shù)據(jù)庫中的其他模式，用于理解空間數(shù)據(jù)、發(fā)現(xiàn)數(shù)據(jù)間（空間或非空間）的關系。,由于空間數(shù)據(jù)的復雜性及其應用的專業(yè)性，在一般的數(shù)據(jù)挖掘的基本概念的基礎上，需要研究空間數(shù)據(jù)挖掘特有的理論、方法和應用。,2024/12/13,2,空間挖掘技術概述 大量的空間數(shù)據(jù)是從遙感、地理信息系統(tǒng)（GI,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,3,第八章 空間挖掘,空間數(shù)據(jù)的

4、主要特點,空間數(shù)據(jù)是指與二維、三維或更高維空間的空間坐標及空間范圍相關的數(shù)據(jù)，例如地圖上的經(jīng)緯度、湖泊、城市等。,訪問空間數(shù)據(jù)要比訪問非空間數(shù)據(jù)更復雜。對空間數(shù)據(jù)的訪問要使用專門的操作和數(shù)據(jù)結構?？臻g數(shù)據(jù)可以用包含著諸如“接近、南、北、包含于”等空間操作符的查詢來訪問。,空間數(shù)據(jù)存放在記錄著實體的空間性數(shù)據(jù)和非空間性數(shù)據(jù)的空間數(shù)據(jù)庫里。由于空間數(shù)據(jù)關聯(lián)著距離信息，所以空間數(shù)據(jù)庫通常用使用距離或拓撲信息的空間數(shù)據(jù)結構或者索引來存儲。就數(shù)據(jù)挖掘而論，這些距離信息提供了所需的相似性度量的基礎。,2024/12/13,4,空間數(shù)據(jù)的主要特點空間數(shù)據(jù)是指與二維、三維或更高維空間的空間,空間數(shù)據(jù)的復雜性特

5、征,空間數(shù)據(jù)的復雜性特征主要表現(xiàn)在以下幾個方面：,空間屬性之間的非線性關系：,空間屬性之間的非線性關系是空間系統(tǒng)復雜性的重要標志，被作為空間數(shù)據(jù)挖掘的主要任務之一。,空間數(shù)據(jù)的多尺度特征：,空間數(shù)據(jù)的多尺度性是指空間數(shù)據(jù)在不同觀察層次上所遵循的規(guī)律以及體現(xiàn)出的特征不盡相同。多尺度特征是空間數(shù)據(jù)復雜性的又一表現(xiàn)形式。,空間信息的模糊性：,模糊性幾乎存在于各種類型的空間信息中，如空間位置的模糊性、空間相關性的模糊性以及模糊的屬性值等等。,空間維數(shù)的增高：,空間數(shù)據(jù)的屬性增加極為迅速，如在遙感領域，由于傳感器技術的飛速發(fā)展，波段的數(shù)目也由幾個增加到幾十甚至上百個，如何從幾十甚至幾百維空間中提取信息、

6、發(fā)現(xiàn)知識則成為研究中的又一難題。,空間數(shù)據(jù)的缺值：,數(shù)據(jù)的缺值現(xiàn)象源自由于某種不可抗拒的外力而使數(shù)據(jù)無法獲得或發(fā)生丟失。如何對丟失數(shù)據(jù)進行恢復并估計數(shù)據(jù)的固有分布參數(shù)，成為解決數(shù)據(jù)復雜性的難點。,,2024/12/13,5,空間數(shù)據(jù)的復雜性特征空間數(shù)據(jù)的復雜性特征主要表現(xiàn)在以下幾個方,空間查詢問題,查詢是挖掘的技術，空間查詢及其操作的主要特點有：,空間操作相對復雜和不精確：,傳統(tǒng)的訪問非空間數(shù)據(jù)的選擇查詢使用的是標準的比較操作符：,>,，,<,，≤，≥，≠。而空間選擇是一種在空間數(shù)據(jù)上的選擇查詢，要用到空間操作符，包括接近、東、西、南、北、包含、重疊或相交等。下面是幾個空間選擇查詢的例子：,例

7、如，“查找北海公園,附近,的房子”。,空間連接（,Spatial Join,）問題：,在兩個空間關系上的一個空間性連接操作被稱為空間連接（,Spatial Join,）。在空間連接中，關系都是空間性的，需要與空間連接對應的條件描述。,例如， “相交”關系用于多邊形；“相鄰”關系用于點。,相同的地理區(qū)域經(jīng)常有不同的視圖：,一個區(qū)域不同的視圖（如基礎設施、城市規(guī)劃、綠化等）保存在單獨的,GIS,文件中，融合這些數(shù)據(jù)，通常需要一個稱為“地圖覆蓋”（,Map Overlay,）的操作來實現(xiàn)。,,一個空間實體可用空間和非空間的屬性來描述。當其空間屬性用一些空間數(shù)據(jù)結構存儲起來之后，非空間屬性就可以存儲在

8、一個關系數(shù)據(jù)庫里。對空間數(shù)據(jù)庫來說，不同的空間實體經(jīng)常是和不同的位置相關聯(lián)的，而且在不同的實體之間進行空間性操作的時候，經(jīng)常需要在屬性之間進行一些轉(zhuǎn)換。,2024/12/13,6,空間查詢問題查詢是挖掘的技術，空間查詢及其操作的主要特點有：,空間數(shù)據(jù)結構,由于空間數(shù)據(jù)的獨特性質(zhì)，有很多數(shù)據(jù)結構專門被設計用來存儲或索引空間數(shù)據(jù)。這些結構有的考慮的是空間實體的輪廓表示，有的是空間數(shù)據(jù)的索引方法。,空間實體表示的最常用方法是“最小包圍矩形”。,空間索引技術大多是基于對空間目標的近似技術，例如，,空間映射法,（,1,）采用低維空間向高維空間映射的方式：,ｋ維空間具有ｎ個頂點的目標可以映射成ｎ*ｋ維空間

9、的點。映射后，可以直接采用點索引技術。,（,2,）直接向一維空間映射：,通常數(shù)據(jù)空間被劃分成大小相同的網(wǎng)格單元，通過給這些網(wǎng)格單元編碼形成一維目標，用傳統(tǒng)的一維的索引結構（如Ｂ,+,樹等）索引。,分割方法,（,1,）采用不允許空間重疊的索引方法：,將所在的數(shù)據(jù)空間按某種方法（如二叉樹劃分、四叉樹劃分、格網(wǎng)劃分等）劃分成彼此不相交的子空間。,（,2,）采用允許空間重疊的索引法：,將索引空間劃分為多級的子空間，這些子空間允許重疊，但是一個空間實體完全包含在某一子空間中。,2024/12/13,7,空間數(shù)據(jù)結構由于空間數(shù)據(jù)的獨特性質(zhì)，有很多數(shù)據(jù)結構專門被設計,最小包圍矩形,通過完整包含一個空間實體的

10、最小包圍矩形（,MBR,：,Minimum Bounding Rectangle,）來表示該空間實體。例如，下圖顯示一湖泊的,MBR,：,,,,,,,如果用傳統(tǒng)坐標系統(tǒng)來對這個湖定向，水平軸表示東西方向，垂直軸表示南北方向，那么就可以把這個湖放在一個矩形里（中間圖所示）,還可以通過一系列更小的矩形來表現(xiàn)這個湖（右圖所示）,另一種更簡單的方法是用一對不相鄰的頂點坐標來表示一個,MBR,，如用,{(x1,，,y1),，,(x2,，,y2)},來表示（中間圖所示）。,2024/12/13,8,最小包圍矩形通過完整包含一個空間實體的最小包圍矩形（MBR：,空間索引技術,空間索引是指依據(jù)空間實體的位置和

11、形狀或空間實體之間的某種空間關系，按一定順序排列的一種數(shù)據(jù)結構，其中包含空間實體的概要信息。,空間索引的性能優(yōu)劣直接影響空間數(shù)據(jù)庫和地理信息系統(tǒng)的整體性能，也對空間數(shù)據(jù)挖掘的效率有影響。,幾種比較有代表性的空間數(shù)據(jù)索引結構技術：,網(wǎng)格文件,四叉樹,R-,樹,k-D,樹,2024/12/13,9,空間索引技術空間索引是指依據(jù)空間實體的位置和形狀或空間實體之,網(wǎng)格文件,根據(jù)正交的網(wǎng)格劃分ｋ維的數(shù)據(jù)空間。ｋ維數(shù)據(jù)空間的網(wǎng)格由ｋ個一維數(shù)組表示，這些數(shù)組稱為刻度，將其保存在主存?？潭鹊拿恳贿吔鐦嫵桑?-1,維的超平面。整個數(shù)據(jù)空間被所有的邊界劃分成許多ｋ維的矩形子空間，這些矩形子空間稱為網(wǎng)格目錄，用ｋ維

12、的數(shù)組表示，將其保存在硬盤上。網(wǎng)格目錄的每一網(wǎng)格單元包含一外存頁的地址，這一外存頁存儲了該網(wǎng)格單元內(nèi)的數(shù)據(jù)目標，稱為數(shù)據(jù)頁。一數(shù)據(jù)頁允許存儲多個相鄰網(wǎng)格單元的目標。網(wǎng)格文件的查找簡單，查找效率較高，適用于點目標的索引。,,,,,,2024/12/13,10,網(wǎng)格文件根據(jù)正交的網(wǎng)格劃分ｋ維的數(shù)據(jù)空間。ｋ維數(shù)據(jù)空間的網(wǎng)格,四叉樹,四叉樹通過把空間按等級分解成為區(qū)域（單元）來表示空間實體。四叉樹實際上每一節(jié)點有,4,個子樹，用于對空間點的表示與索引。,如二維空間的四叉樹，每個子節(jié)點對應一個矩形，用四種方位西北（ＮＷ），東北（ＮＥ），西南（ＳＷ），東南（ＳＥ）表示,空間區(qū)域被分為,n,層，四叉樹中的每

13、級對應一個層次級別，層的數(shù)量,n,是依賴于所需要的精確度的。例如，,,,,2024/12/13,11,四叉樹四叉樹通過把空間按等級分解成為區(qū)域（單元）來表示空間實,Ｒ-樹,Ｒ,-,樹是Ｂ,-,樹在多維空間的擴展,其葉子節(jié)點包含多個形式為（,OI,，,MBR,）的實體，,OI,為空間目標標志，,MBR,為該目標在ｋ維空間中的最小包圍矩形。,非葉子節(jié)點包含多個形式為（,CP,，,MBR,）的實體。,CP,為指向子樹根節(jié)點的指針，,MBR,為包圍其子節(jié)點中所有,MBR,的最小包圍矩形。,Ｒ,-,樹必須滿足如下特性：,若根節(jié)點不是葉子節(jié)點，則至少有兩棵子樹；,除根之外的所有中間節(jié)點至多有Ｍ棵子樹，至少

14、有ｍ棵子樹；,每個葉子節(jié)點均包含ｍ至Ｍ個數(shù)據(jù)項；,所有的葉子節(jié)點都出現(xiàn)在同一層次；,所有節(jié)點都需要同樣的存儲空間（一個磁盤頁）。,,,2024/12/13,12,Ｒ-樹Ｒ-樹是Ｂ-樹在多維空間的擴展2023/9/2012,k-D樹,k-D,樹被設計用來對多屬性的數(shù)據(jù)進行索引，而不是必要的空間數(shù)據(jù)。,k-D,樹是二叉樹的一個變種，樹中的每一層用來索引一個屬性。樹中的每個結點表示這個空間基于一個分割點被分割成兩個子集。,和,R-,樹一樣，每個最低級別的區(qū)間只有一個實體。但是，分割不是用,MBR,來進行的。它首先按照一個維分割，然后按照另一個維分割，直到每個區(qū)間只有一個實體。,2024/12/13,

15、13,k-D樹k-D樹被設計用來對多屬性的數(shù)據(jù)進行索引，而不是必要,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,14,第八章 空間挖掘,空間數(shù)據(jù)庫的操作是數(shù)據(jù)挖掘的基礎,假定,A,和,B,是二維空間中的兩個空間實體。每個實體由空間中的點的集合組成：,∈ A, ∈B,。兩個空間實體之間存在若干拓撲關系。這些關系基于兩個實體的位置：,分離（,Disjoi

16、nt,） ：,A,與,B,分離，表示,B,中任何點都不在,A,中，反之亦然。,重疊,/,相交：,A,與,B,重疊或相交表示至少有一個點既在,A,里也在,B,里。,等價：,A,與,B,這兩個實體的所有點都是共有的。,包含于：,A,包含于,B,，表示,A,的所有點都在,B,里。反之不一定。,覆蓋,/,包含：,A,覆蓋或包含,B,，當且僅當,B,包含于,A,。,根據(jù)實體在空間中的位置，可以定義方向，通常采用的是傳統(tǒng)的地圖方向：像東、南、西、北等等。,空間謂詞有三種形式：,表示拓撲關系的謂詞，如相交、覆蓋等；,表示空間方向的謂詞，如東、西、左、右等；,表示距離的謂詞，如接近、遠離等。,2024/12/

17、13,15,空間數(shù)據(jù)庫的操作是數(shù)據(jù)挖掘的基礎假定A 和B是二維空間中的兩,實體之間的距離的定義,常用的兩個空間實體之間的距離有：,最小值方法：,定義實體,A,和,B,的距離為,A,中的所有點與和,B,中的所有點之間的歐氏或曼哈頓距離中最小的，即,,最大值方法：,定義實體,A,和,B,的距離為,A,中的所有點與和,B,中的所有點之間的歐氏或曼哈頓距離中最大的，即,,平均值方法：,定義實體,A,和,B,的距離為,A,中的所有點與和,B,中的所有點之間的歐氏或曼哈頓距離的平均值，即,,中心方法：,定義實體,A,和,B,的距離為,A,中的中心點與和,B,中的中心點之間的歐氏或曼哈頓距離的平均值，即,,

18、,,,,,2024/12/13,16,實體之間的距離的定義常用的兩個空間實體之間的距離有：2023,空間統(tǒng)計學,空間統(tǒng)計學（,Spatial Statistics,）是依靠有序的模型來描述無序事件，根據(jù)不確定性和有限的信息來分析、評價和預測空間數(shù)據(jù)。,基于足夠多的樣本，在統(tǒng)計空間實體的幾何特征量的最小值、最大值、均值、方差、眾數(shù)或直方圖的基礎上，可以得到空間實體特征的先驗概率，進而根據(jù)領域知識發(fā)現(xiàn)共性的幾何知識。,空間統(tǒng)計學具有較強的理論基礎和大量的成熟算法?？臻g統(tǒng)計學是基本的數(shù)據(jù)挖掘技術，特別是多元統(tǒng)計分析（如判別分析、主成分分析、因子分析、相關分析、多元回歸分析等）。,統(tǒng)計方法是分析空間數(shù)

19、據(jù)的最常用的方法。統(tǒng)計方法能夠有效處理數(shù)值型數(shù)據(jù)，其主要方法是基于統(tǒng)計不相關假設的。在空間數(shù)據(jù)庫中許多空間數(shù)據(jù)通常是相關的，即空間對象受其鄰近對象的影響，難以滿足這種假設，這樣就會引起問題。它是空間統(tǒng)計學向著實用的挖掘技術發(fā)展的一個重要研究課題。,統(tǒng)計方法對非線性規(guī)劃不能很好建模，難以處理不完全或不確定性數(shù)據(jù)，而且運算的代價較高。它是空間統(tǒng)計學向著實用的挖掘技術發(fā)展的另一個研究課題。,2024/12/13,17,空間統(tǒng)計學空間統(tǒng)計學（Spatial Statistics）,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法

20、,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,18,第八章 空間挖掘,空間數(shù)據(jù)的蘊含著豐富的概念,眾所周知，概念層次的使用顯示了數(shù)據(jù)間關系的層次。應用空間數(shù)據(jù)特性，概念層次承認了層級中不同層次規(guī)則和關系的發(fā)展。,從空間數(shù)據(jù)中挖掘所蘊含的概念是空間挖掘的重要任務之一。,泛化與特化是概念歸納的主要手段，它對空間數(shù)據(jù)挖掘也是如此。,2024/12/13,19,空間數(shù)據(jù)的蘊含著豐富的概念眾所周知，概念層次的使用顯示了數(shù)據(jù),逐步求精的分層技術,逐步求精（,Progressive Refinement,）的分層是基于空間關系的

21、，因此空間關系可以應用在一個更粗糙或者更精細的層次上。,由于空間應用的數(shù)據(jù)量十分龐大，在尋求更多精確響應之前要先做出一些近似響應。,MBR,就是一個近似物體形狀的辦法。四叉樹、,R-,樹和其他大多數(shù)空間索引技術都采用了一種逐步求精的方式。,逐步求精可以看作是對處理問題無用的數(shù)據(jù)所做的過濾。,2024/12/13,20,逐步求精的分層技術逐步求精（Progressive Refi,泛化,數(shù)據(jù)庫中的數(shù)據(jù)和對象在原始的概念層次包含有詳細的信息，經(jīng)常需要將大量數(shù)據(jù)的集合進行概括并以較高的概念層次展示，即對數(shù)據(jù)進行泛化。,基于泛化的數(shù)據(jù)挖掘方法假定背景知識以概念層次的形式存在。概念層次可由專家提供，或借

22、助數(shù)據(jù)分析自動生成。,空間數(shù)據(jù)庫中可以定義兩種類型的概念層次：,空間概念層：地理區(qū)域之間空間關系的概念層次。,非空間概念層：非空間屬性所聯(lián)系的非空間數(shù)據(jù)對應的概念層次。,空間數(shù)據(jù)應用的歸納可以被分為兩種子類：,空間數(shù)據(jù)支配泛化：空間數(shù)據(jù)支配泛化做的是基于空間位置的聚類（所有靠近的實體被分在一組中）。,非空間數(shù)據(jù)支配泛化：根據(jù)非空間屬性值的相似性做聚類。,2024/12/13,21,泛化數(shù)據(jù)庫中的數(shù)據(jù)和對象在原始的概念層次包含有詳細的信息，經(jīng),空間數(shù)據(jù)支配泛化算法,在空間數(shù)據(jù)支配泛化算法中，首先對空間數(shù)據(jù)進行歸納：歸納進行至區(qū)域的數(shù)量達到閾值為止。然后對相關的非空間屬性做相應地更改。,例如，要知

23、道我國西北部地區(qū)的平均降雨量，可以在空間層次中尋找西北部所有省，再對非空間屬性（降雨量）進行比較，或者歸納（平均降雨量多、中等、少量等）。,典型的空間數(shù)據(jù)支配泛化算法描述,:,算法,8-1,空間數(shù)據(jù)支配泛化算法,輸入：空間數(shù)據(jù)庫,D,；空間層次,H,；概念層次,C,；查詢,Q,。,輸出：所需一般特征的規(guī)則,r,。,（,1,）,D’←,從數(shù)據(jù)庫,D,中按查詢,Q,獲得的數(shù)據(jù)集合；,（,2,）根據(jù),H,的結構，把數(shù)據(jù)合并到區(qū)域中，直到區(qū)域的數(shù)目達到所需的閾值，或者已經(jīng)到達,H,中所要求的層次；,（,3,）,FOR each,所找的區(qū)域,DO BEGIN,（,4,） 對非空間屬性執(zhí)行面向?qū)?/p>

24、性的歸納；,（,5,） 產(chǎn)生并輸出所找到的泛化規(guī)則；,（,6,）,END.,2024/12/13,22,空間數(shù)據(jù)支配泛化算法在空間數(shù)據(jù)支配泛化算法中，首先對空間數(shù)據(jù),非空間數(shù)據(jù)支配泛化算法,算法首先對非空間屬性作面向?qū)傩缘臍w納，將其泛化至更高的概念層次。然后，將具有相同的泛化屬性值的相鄰區(qū)域合并在一起，可用鄰近方法忽略具有不同非空間描述的小區(qū)域。,查詢的結果生成包含少量區(qū)域的地圖，這些區(qū)域共享同一層次的非空間描述。,,2024/12/13,23,非空間數(shù)據(jù)支配泛化算法算法首先對非空間屬性作面向?qū)傩缘臍w納，,統(tǒng)計信息網(wǎng)格方法,STING,介紹,統(tǒng)計學信息網(wǎng)格方法（,STatistical

25、 INformation Grid-based method—STING,），使用了一種類似四叉樹的分層技術，把空間區(qū)域分成矩形單元。對空間數(shù)據(jù)庫掃描一次，可以找到每個單元的統(tǒng)計參數(shù)（平均數(shù)，變化性，分布類型）。網(wǎng)格結構中的每個結點概括了該網(wǎng)格中所含內(nèi)部屬性的信息。通過獲取這些信息，很多數(shù)據(jù)挖掘請求（包括聚類）都可以通過檢驗單元統(tǒng)計得到響應。,STING,方法可以看作是一種層次聚類技術。層級的頂層的組成就是整體空間。最低層是代表每個最小單元的葉子結點。如果使用一個單元在下一層中擁有四個子單元（網(wǎng)格）的話，單元的分割與四叉樹中是一樣的。,2024/12/13,24,統(tǒng)計信息網(wǎng)格方法STING介紹

26、統(tǒng)計學信息網(wǎng)格方法（STati,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,25,第八章 空間挖掘,空間規(guī)則的主要類型,空間規(guī)則可以概括對空間實體的結構及其之間關系的描述。在空間數(shù)據(jù)挖掘中有三種類型的規(guī)則：,空間特性規(guī)則：描述數(shù)據(jù)，如北京市家庭平均年收入為,30000,元。,空間判別規(guī)則：描述不同種類數(shù)據(jù)間的差異，依靠它們能夠區(qū)分不同種類的特點。如北京市家庭平均年收入為,30000,元，而上海

27、的家庭平均年收入為,35000,元。,空間關聯(lián)規(guī)則：是兩個數(shù)據(jù)集合之間的關聯(lián)。如在北京市、住在國貿(mào)附近的家庭的平均收入為,50000,元。,所有這些規(guī)則都可以被看作是對空間類型的描述，而描述是一種為數(shù)據(jù)庫或者其中一些子集找到一個表示的方法。特性規(guī)則是一種最簡化的形式。,2024/12/13,26,空間規(guī)則的主要類型空間規(guī)則可以概括對空間實體的結構及其之間關,空間關聯(lián)規(guī)則,空間關聯(lián)規(guī)則是空間數(shù)據(jù)實體之間的關聯(lián)，有：,非空間的先決條件和空間性的結果：如在北京、所有的重點學校都是位于老住宅區(qū),附近,。,空間性先決條件和非空間的結果：如在北京、房子在國貿(mào),附近,，就比較貴。,空間性先決條件和空間性結果

28、：如在北京、所有,市區(qū),的房子都在三環(huán),以內(nèi),。,空間關聯(lián)規(guī)則挖掘是傳統(tǒng)關聯(lián)規(guī)則挖掘的延伸，常用最小支持度和最小可信度來作為基本的統(tǒng)計參數(shù)，由于空間數(shù)據(jù)的特點，往往是在多層概念上進行歸納。,挖掘空間關聯(lián)規(guī)則的有效方法是自上而下、逐步加深的搜索技術。首先在高的概念層次進行搜索，在較粗的精度級別查找頻繁發(fā)生的模式和在這些模式中較強的隱含關系；然后，對頻繁發(fā)生的模式加深搜索至較低的概念層次，這種處理持續(xù)到找不到頻繁發(fā)生的模式為止。,2024/12/13,27,空間關聯(lián)規(guī)則空間關聯(lián)規(guī)則是空間數(shù)據(jù)實體之間的關聯(lián)，有：202,空間關聯(lián)規(guī)則基本步驟,典型的五步算法：,步驟,1,：通過給定的查詢抽取出相關的數(shù)

29、據(jù)。,步驟,2,：應用一個粗的空間運算方法，計算整個相關數(shù)據(jù)的集合。,步驟,3,：過濾出那些支持度小于最小支持度閾值的,1,階謂詞。,步驟,4,：應用一個細化的空間計算方法，從所導出的粗的謂詞集合中計算謂詞。,步驟,5,：向低層深入，在多個概念層次上找到關聯(lián)規(guī)則的完整集合。,,,,,算法,8-4,,空間關聯(lián)規(guī)則算法,輸入：空間數(shù)據(jù)庫,D,；概念層次,C,；層次的最小支持度和可信度,s,和,α,；尋找感興趣實體的查詢,q,；感興趣的拓撲關系,p,。,輸出：空間關聯(lián)規(guī)則,R,。,（,1,）,D’=q(D),；,（,2,）在,D’,中應用粗糙謂詞，建造,CP,；,// CP,是由滿足,D’,中實體對

30、的粗糙謂詞組成的,（,3,）通過尋找滿足,s,的粗糙謂詞來找到頻繁粗糙謂詞,FCP,；,（,4,）從,FCP,中找到頻繁精確謂詞,FFP,；,（,5),尋找所有的頻繁精確謂詞得到,R,，然后歸納準則,.,2024/12/13,28,空間關聯(lián)規(guī)則基本步驟典型的五步算法：算法8-4 空間關聯(lián)規(guī),第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,29,第八章 空間挖掘,空間分類方法,空間分類方法用來對空

31、間實體的集合進行分類。給空間實體分類，可以通過非空間屬性或空間屬性或二者結合，并可利用概念層次來進行取樣。對于樣本數(shù)據(jù)的訓練可以通過改造傳統(tǒng)的分類算法來完成，例如，對ID3算法擴展。,2024/12/13,30,空間分類方法空間分類方法用來對空間實體的集合進行分類。給空間,空間決策樹,建造一個決策樹，有五個主要步驟：,根據(jù)已知的分類，從數(shù)據(jù),D,中找到例子,S,。,確定最佳謂詞,p,用來分類。一般首先在較粗的層次中尋找相關謂詞，然后再在較為細化的層次。,找到最佳的緩沖區(qū)大小和形狀。對于取樣中的每個實體，它周圍的區(qū)域被稱為緩沖區(qū)。目標是選擇一個能產(chǎn)生對測試集中的類型進行最不同的緩沖區(qū)。,使用,p

32、,和,C,，對每個緩沖區(qū)歸納謂詞。,使用泛化的謂詞和,ID3,建造二叉樹,T,。,算法,8-5,,空間決策樹算法,輸入：空間數(shù)據(jù)庫,D,；概念層次,C,；預定的類別。,輸出：二叉決策樹,T,。,（,1,）根據(jù)預定的類別，從數(shù)據(jù),D,中找到例子,S,；,（,2,）確定最佳謂詞,p,用來分類；,（,3,）找到最佳的緩沖區(qū)大小和形狀；,（,4,）使用,p,和,C,，對每個緩沖區(qū)歸納謂詞；,（,5,）使用泛化的謂詞和,ID3,建造二叉樹,T.,2024/12/13,31,空間決策樹建造一個決策樹，有五個主要步驟：算法8-5 空間,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘

33、基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,32,第八章 空間挖掘,空間聚類,空間聚類算法必須在大型多維數(shù)據(jù)庫上有效工作，而且應該能夠探測到不同形狀的聚類。因此，難度和挑戰(zhàn)性要比傳統(tǒng)數(shù)據(jù)要大。,空間聚類找到的聚類不應該依賴于檢驗空間中的點的順序，而且聚類也不應該受不相干的點影響。,傳統(tǒng)的聚類算法可以通過改造來實現(xiàn)空間數(shù)據(jù)聚類。,2024/12/13,33,空間聚類空間聚類算法必須在大型多維數(shù)據(jù)庫上有效工作，而且應該,基于隨機搜索的聚類方法CLARANS擴展,CL

34、ARANS,算法可以表示為查找一個圖，圖中的每個節(jié)點都是潛在的解決方案。在替換一個中心點后獲得的聚類稱為當前聚類的鄰居。隨意測試的鄰居的數(shù)目由參數(shù),maxneighbor,限制。如果找到一個更好的鄰居，將中心點移至鄰居節(jié)點，重新開始上述過程，否則在當前的聚類中生成一個局部最優(yōu)。找到一個局部最優(yōu)后，再任意選擇一個新的節(jié)點重新尋找新的局部最優(yōu)。局部最優(yōu)的數(shù)目被參數(shù),numlocal,限制。,CLARANS,并不搜索遍所有的求解空間，也不限制在任何具體的采樣中。,CLARANS,每次迭代的計算復雜度與對象的數(shù)量基本呈線性關系。,基于,CLARANS,的空間數(shù)據(jù)聚類算法有兩種：空間支配算法,SD,（,

35、CLARANS,）和非空間支配算法,NSD,（,CLARANS,）。,2024/12/13,34,基于隨機搜索的聚類方法CLARANS擴展 CLARANS算法,DBCLASD算法,一種大型空間數(shù)據(jù)庫基于距離分布的聚類算法，叫做,DBCLASD,（,Distribution Based Clustering of Large Spatial Databases,），它是,DBSCAN,的擴展。假定聚類中的項目是均勻分布的，算法嘗試確定滿足最近鄰居距離的分布。只要最近的鄰居距離滿足均一分布的假設，那么這個元素就被加入聚類。,算法,8-7,DBCLASD,算法,輸入：要被聚類的空間實體,D,；輸出：

36、聚類集合,K,。,（,1,）,K←0,；,//,初始化，沒有聚類,（,2,）,c←Ф,；,//,初始化候選集合為空,（,3,）,FOR each point p in D DO BEGIN,（,4,）,IF p is not in a cluster THEN BEGIN,（,5,）,,創(chuàng)建一個新的聚類,C,，并把,p,加入,C,；,（,6,）,,把,p,臨近的點加入,C,；,（,7,）,END,（,8,）,FOR each point q in C DO BEGIN,（,9,）,,把,C,中沒有處理過的點,q,的鄰居點加入,C,；,（,10,）,K←K∪{C},（,11,）,END.,20

37、24/12/13,35,DBCLASD算法一種大型空間數(shù)據(jù)庫基于距離分布的聚類算法，,BANG,算法,BANG,方法使用了一種類似,k-D,樹的網(wǎng)格結構。這個結構為適應屬性的分布而做了一定調(diào)整，使密集的區(qū)域具有大量的更小的網(wǎng)格，而不夠密集的區(qū)域只有少量的更大的網(wǎng)格。接著按照網(wǎng)格（塊）的密度排序，也就是按照區(qū)域分割的網(wǎng)格里的項目數(shù)量。,根據(jù)期望的聚類數(shù)量，那些密度最大的網(wǎng)格被選為聚類的中心。對于每個選定的網(wǎng)格，只要它們的密度小于或者等于當前這個聚類的中心，就把這個臨近的網(wǎng)格加入。,2024/12/13,36,BANG算法BANG方法使用了一種類似k-D樹的網(wǎng)格結構。這,小波聚類,用小波聚類歸納空

38、間聚類的方法是把數(shù)據(jù)看作像,STING,那樣的信號，小波聚類使用的是網(wǎng)格。歸納聚類的時間復雜度是,O(n),，并且不受外界影響。,與一些方法不同，小波聚類可以找到任意形狀的聚類，而且不需要知道期望的聚類個數(shù)。,n,維空間的空間實體集合可看作是一個信號。聚類的邊界與高頻相應。聚類本身是低頻率高振幅的。可以使用信號處理技術尋找空間中低頻的部分。,可以使用小波變換來尋找聚類。小波變換是用來找出信號中的頻譜的。一個空間實體的小波變換分解維空間圖像的層次。它們可以用來把一個圖像縮放為不同的大小。,2024/12/13,37,小波聚類用小波聚類歸納空間聚類的方法是把數(shù)據(jù)看作像STING,使用近似值來確定聚

39、類的特性,一旦找到了空間聚類，可以使用近似值來確定這些聚類的特性：通過確定聚類附近的特征實現(xiàn)的。例如，一個聚類“靠近學?！?。,通常更多地用復雜的近似多邊形表示，而非指用簡單的,MBR,。,聚合鄰近,定義為衡量一個聚類（或者元素群）與一個特征（或者空間中某個實體）接近的程度。聚合鄰近距離可以由聚類中所有點的距離總和來度量。,CRH,算法是典型的確定聚合鄰近關系方法。它使用三種幾何形狀來界定一個聚類：,內(nèi)接矩形,R,：包含了一系列點的,MBR,。矩形邊緣與坐標軸平行。,外接圓,C,：包圍一系列點的圓周；以內(nèi)接矩形的對角線為直徑。,凸多邊形,H,：包含點的集合的最小邊界。,,CRH,首先使用一個外接

40、圓來接近給定的類；,其次使用內(nèi)接矩形來表示特征，并根據(jù)特征與聚類的接近程度來進行排序；,最后使用凸多邊形來評估前面所有最接近的特征。,2024/12/13,38,使用近似值來確定聚類的特性一旦找到了空間聚類，可以使用近似值,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,39,第八章 空間挖掘,空間挖掘的其他問題,1,．,空間在線分析挖掘,空間在線分析挖掘（,SOLAM,：,Spatial Onl

41、ine Analytical Mining,）建立在多維視圖基礎之上，是基于網(wǎng)絡的驗證型空間數(shù)據(jù)挖掘和分析工具。,空間在線分析挖掘通過數(shù)據(jù)分析與報表模塊的查詢和分析工具（,OLAP,、決策分析、數(shù)據(jù)挖掘）完成對信息和知識的提取，以滿足決策的需要。它建立在客戶,/,服務器的結構之上，由用戶驅(qū)動，支持多維數(shù)據(jù)分析，在用戶的指導下驗證設定的假設。,美國,BusinessObjects,公司的,BusinessObjects,（,BO,）就是采用,Data,Ｗ,arehouse+OLAP+DataMining,方案推出的第一個集多數(shù)據(jù)源查詢、任意報表生成和,OLAP,及數(shù)據(jù)挖掘技術為一體的決策支持工具

42、軟件包。,2024/12/13,40,空間挖掘的其他問題1．空間在線分析挖掘2023/9/2040,空間挖掘的其他問題,2,．挖掘圖像數(shù)據(jù)庫的方法,,圖像數(shù)據(jù)庫是一類特殊的空間數(shù)據(jù)庫，其數(shù)據(jù)幾乎全部是圖像或圖片。圖像數(shù)據(jù)庫用于遙感、醫(yī)學圖像等應用，通常以柵格形式表示，柵格代表一個或多個光譜范圍的圖像密度。,,圖像數(shù)據(jù)庫的挖掘可以看成是空間數(shù)據(jù)挖掘的一部分，其主要問題在于如何區(qū)分圖像。以下列出對這方面問題的一些研究。,Magellan,研究,恒星分類,POSS-II,（,Second Palomar Observatory Sky Survey,）,基于內(nèi)容的時空查詢,CONQUEST,,,20

43、24/12/13,41,空間挖掘的其他問題2．挖掘圖像數(shù)據(jù)庫的方法2023/9/20,空間挖掘的其他問題,3,．基于,Rough,集方法,Rough,集理論被廣泛研究并應用于不精確、不確定、不完全的信息的分類分析和知識獲取中。,Rough,集理論為空間數(shù)據(jù)的屬性分析和知識發(fā)現(xiàn)開辟了一條新途徑，可用于空間數(shù)據(jù)庫屬性表的一致性分析、屬性的重要性、屬性依賴、屬性表簡化、最小決策和分類算法生成等。,Rough,集方法與其他知識發(fā)現(xiàn)方法相結合，可以在數(shù)據(jù)庫中數(shù)據(jù)不確定情況下獲取多種知識。,4,．基于云理論挖掘方法,云理論是由李德毅等提出的一種用于處理不確定性的新理論，由云模型、不確定性推理和云變換三大支

44、柱構成。云理論將模糊性和隨機性結合起來，解決了作為模糊集理論基石的隸屬函數(shù)概念的固有缺陷，為,KDD,中定量與定性相結合的處理方法奠定了基礎，可以用于處理,GIS,中融隨機性和模糊性為一體的屬性不確定性。,2024/12/13,42,空間挖掘的其他問題3．基于Rough集方法2023/9/20,空間挖掘的其他問題,5,．探測性的數(shù)據(jù)分析（,EDA,）,探測性的數(shù)據(jù)分析，簡稱,EDA,，采用動態(tài)統(tǒng)計圖形和動態(tài)鏈接窗口技術將數(shù)據(jù)及其統(tǒng)計特征顯示出來，可發(fā)現(xiàn)數(shù)據(jù)中非直觀的數(shù)據(jù)特征及異常數(shù)據(jù)。,EDA,技術在知識發(fā)現(xiàn)中用于選取感興趣的數(shù)據(jù)子集，即數(shù)據(jù)聚焦，并可初步發(fā)現(xiàn)隱含在數(shù)據(jù)中的某些特征和規(guī)律。,6

45、,．可視化,現(xiàn)代的數(shù)據(jù)可視化（,Data Visualization,）技術是指運用計算機圖形學和圖像處理技術，將數(shù)據(jù)轉(zhuǎn)換為圖形或圖像在屏幕上顯示出來，并進行交互處理的理論、方法和技術。它涉及到計算機圖形學、圖像處理、計算機輔助設計、計算機視覺及人機交互技術等多個領域。數(shù)據(jù)可視化概念首先來自科學計算可視化。,2024/12/13,43,空間挖掘的其他問題5．探測性的數(shù)據(jù)分析（EDA）2023/9,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研

46、究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,44,第八章 空間挖掘,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,,加拿大,Simon Fraser,大學開發(fā)的空間數(shù)據(jù)挖掘系統(tǒng)原型,GeoMiner,很有代表性。該系統(tǒng)包含有三大模塊：空間數(shù)據(jù)立方體構建模塊，空間聯(lián)機分析處理（,OLAP,）模塊和空間數(shù)據(jù)挖掘模塊，采用的空間數(shù)據(jù)挖掘語言是,GMQL,。目前已能挖掘三種類型的規(guī)則：特征規(guī)則、判別規(guī)則和關聯(lián)規(guī)則。,GeoMiner,的體系結構如圖,8-12,所示，包含四個部分：,圖形用戶界面，用于進行交互式地挖掘并顯示挖掘結果；,發(fā)現(xiàn)模塊集合，含有上述三個已實現(xiàn)的知識發(fā)現(xiàn)模塊以及四個計劃實現(xiàn)的模塊（分別用實線框和虛

47、線框表示）；,空間數(shù)據(jù)庫服務器，包括,MapInfo,、,ESRI/Oracle SDE,、,Informix-Illustra,以及其他空間數(shù)據(jù)庫引擎；,存儲非空間數(shù)據(jù)、空間數(shù)據(jù)和概念層次的數(shù)據(jù)庫和知識庫。,2024/12/13,45,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹 加拿大Simon Frase,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,,空間數(shù)據(jù),,圖形用戶界面,GeoMiner,：知識發(fā)現(xiàn)模塊,空間數(shù)據(jù)庫服務器和數(shù)據(jù)立方體,非空間數(shù)據(jù),概念層次,,空間特征規(guī)則發(fā)現(xiàn)模塊,空間關聯(lián)規(guī)則發(fā)現(xiàn)模塊,空間預測模塊,空間模式分析模塊,空間比較規(guī)則發(fā)現(xiàn)模塊,空間分類規(guī)則發(fā)現(xiàn)模塊,空間聚類分析模塊,未來的空間發(fā)現(xiàn)模塊,

48、2024/12/13,46,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹 空間數(shù)據(jù)圖形用戶界面GeoM,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,到目前為止，尚沒有對空間數(shù)據(jù)挖掘查詢語言,SDMQL,（,Spatial Data Mining Query Language,）的定義。,Han,等人為了挖掘地理空間數(shù)據(jù)庫設計了一種地理數(shù)據(jù)挖掘查詢語言,GMQL,（,Geo-Mining Query Language,），它是對空間,SQL,的擴展，并成功地應用于空間數(shù)據(jù)挖掘系統(tǒng)原型,GeoMiner,中。,GMQL,可作為制定,SDMQL,的基礎，以進一步界定,SDMQL,語言的基本原語。,SDMQL,的設計指導原則主要有：

49、,在空間數(shù)據(jù)挖掘請求中應說明用于挖掘的相關數(shù)據(jù)集。,在空間數(shù)據(jù)挖掘請求中應說明想要挖掘的知識的種類。,挖掘過程中應該可能運用相關的背景知識。,挖掘結果應該能用較概括的或多層次概念的術語來表述。,應能夠說明各種各樣的閾值，使得可以靈活地過濾掉那些不是很令人感興趣的知識。,應采用類似,SQL,的語法以適應在高級語言的水平上進行數(shù)據(jù)挖掘并與關系查詢語言,SQL,保持自然的融合。,2024/12/13,47,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹到目前為止，尚沒有對空間數(shù)據(jù)挖掘查詢,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算

50、法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,48,第八章 空間挖掘,空間數(shù)據(jù)挖掘的研究現(xiàn)狀,空間數(shù)據(jù)挖掘的研究比一般的關系型數(shù)據(jù)庫和事務數(shù)據(jù)庫的研究要晚，但近幾年己經(jīng)引起廣泛的興趣。目前國內(nèi)外都己經(jīng)開展了地球空間數(shù)據(jù)挖掘與知識發(fā)現(xiàn)方面的研究。,加拿大西蒙弗雷澤大學、德國慕尼黑大學、芬蘭赫爾辛基大學以及美國、澳大利亞等國家的許多大學和研究所，都有空間數(shù)據(jù)挖掘的成果報道。,,目前，在空間數(shù)據(jù)挖掘系統(tǒng)的開發(fā)方面，國際上有代表性的通用,SDM,系統(tǒng)有：,GeoMiner,，,Descartes,和,ArcView GIS,的,S-P

51、LUS,接口。,在國內(nèi)，目前已經(jīng)開展空間數(shù)據(jù)挖掘的單位主要有：北京大學、武漢大學、中科院軟件所、中科院地理所資源與環(huán)境信息系統(tǒng)國家重點實驗室、中科院遙感所、中國測繪科學研究院等。,2024/12/13,49,空間數(shù)據(jù)挖掘的研究現(xiàn)狀 空間數(shù)據(jù)挖掘的研究比一般的關系型數(shù)據(jù),空間數(shù)據(jù)挖掘的研究與發(fā)展方向,空間數(shù)據(jù)挖掘是一個非常年輕而富有前景的領域，有很多研究問題需要深入探討，這也是該領域的研究與發(fā)展方向。,,1,．在面向?qū)ο蟮目臻g數(shù)據(jù)庫中進行數(shù)據(jù)挖掘,2,．進行不確定性挖掘,3,．多邊形聚類技術,4,．模糊空間關聯(lián)規(guī)則的挖掘,5,．挖掘空間數(shù)據(jù)的偏離和演變規(guī)則,6,．多維規(guī)則可視化,7,．多技術結合

52、,8,．高效的分類算法,9,．空間數(shù)據(jù)挖掘查詢語言,10,．帶空間誤差的數(shù)據(jù)挖掘,11,．遙感影像的挖掘,12,．智能,GIS,方法,13,．并行數(shù)據(jù)挖掘,14,．其他,,2024/12/13,50,空間數(shù)據(jù)挖掘的研究與發(fā)展方向 空間數(shù)據(jù)挖掘是一個非常年輕而富,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,51,第八章 空間挖掘,空間數(shù)據(jù)挖掘與相關學科的關系,空間數(shù)據(jù)挖掘與空間數(shù)據(jù)庫,空間數(shù)據(jù)庫

53、存儲了大量與空間有關的數(shù)據(jù)，例如數(shù)字地圖、預處理后的遙感或醫(yī)學圖像數(shù)據(jù)等等，空間數(shù)據(jù)庫有許多與關系型數(shù)據(jù)庫所不同的顯著特征。,,空間數(shù)據(jù)挖掘與空間數(shù)據(jù)倉庫,空間數(shù)據(jù)倉庫（,Spatial Data Warehouse,，,SDW,）是近幾年在數(shù)據(jù)倉庫基礎上提出的一個新的概念和新的技術，空間數(shù)據(jù)倉庫是一個面向主題的、集成的、隨時間變化的并且非易失性的空間和非空間數(shù)據(jù)的集合，用于支持空間數(shù)據(jù)挖掘和與空間數(shù)據(jù)有關的決策過程。,空間數(shù)據(jù)挖掘與空間聯(lián)機分析處理,空間聯(lián)機分析處理（,Spatial Online Analytical Processing,，,SOLAP,）是針對特定問題的聯(lián)機空間數(shù)據(jù)訪問

54、和分析，適合以空間數(shù)據(jù)倉庫為基礎的數(shù)據(jù)分析處理。,,空間數(shù)據(jù)挖掘與地理信息系統(tǒng),數(shù)字地球,,,2024/12/13,52,空間數(shù)據(jù)挖掘與相關學科的關系 空間數(shù)據(jù)挖掘與空間數(shù)據(jù)庫202,第八章 空間挖掘,,,,,內(nèi)容提要,引言,空間數(shù)據(jù)概要,空間數(shù)據(jù)挖掘基礎，空間統(tǒng)計學,泛化與特化,空間規(guī)則,空間分類算法,空間聚類算法,空間挖掘的其他問題,空間數(shù)據(jù)挖掘原型系統(tǒng)介紹,空間數(shù)據(jù)挖掘的研究現(xiàn)狀與發(fā)展方向,其他,2024/12/13,53,第八章 空間挖掘,http://www.cs.sfu.ca/~han,Thank you !!!,2024/12/13,54,http://www.cs.sfu.ca/~hanThank,