《數(shù)據(jù)挖掘原理與算法課件》由會(huì)員分享，可在線閱讀，更多相關(guān)《數(shù)據(jù)挖掘原理與算法課件（54頁珍藏版）》請(qǐng)?jiān)谘b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(chǔ)，空間統(tǒng)計(jì)學(xué),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(shù)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(xué)和衛(wèi)星圖像等多種應(yīng)用中收集而來，收集到的數(shù)據(jù)遠(yuǎn)遠(yuǎn)超過了人腦分析的能力。日益發(fā)展的空間數(shù)據(jù)基礎(chǔ)設(shè)施為空間數(shù)據(jù)的自動(dòng)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(shí)體，這些空間實(shí)體是用空間數(shù)據(jù)類型和實(shí)體的空間關(guān)系來表示出來的。空間數(shù)據(jù)庫，不同于關(guān)系數(shù)據(jù)庫，它一般具有空間拓?fù)浠蚓嚯x信息，通常需要以復(fù)雜的多維空間索引結(jié)構(gòu)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(shí)發(fā)現(xiàn)，是數(shù)據(jù)挖掘技術(shù)在空間數(shù)據(jù)方面的應(yīng)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(shí)、空間關(guān)系或非顯式地存儲(chǔ)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(guān)系。,由于空間數(shù)據(jù)的復(fù)雜性及其應(yīng)用的專業(yè)性，在一般的數(shù)據(jù)挖掘的基本概念的基礎(chǔ)上，需要研究空間數(shù)據(jù)挖掘特有的理論、方法和應(yīng)用。,2024/12/13,2,空間挖掘技術(shù)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(diǎn),空間數(shù)據(jù)是指與二維、三維或更高維空間的空間坐標(biāo)及空間范圍相關(guān)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(fù)雜。對(duì)空間數(shù)據(jù)的訪問要使用專門的操作和數(shù)據(jù)結(jié)構(gòu)。空間數(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(shí)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(guān)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?fù)湫畔⒌目臻g數(shù)據(jù)結(jié)構(gòu)或者索引來存儲(chǔ)。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(chǔ)。,2024/12/13,4,空間數(shù)據(jù)的主要特點(diǎn)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(fù)雜性特

5、征,空間數(shù)據(jù)的復(fù)雜性特征主要表現(xiàn)在以下幾個(gè)方面：,空間屬性之間的非線性關(guān)系：,空間屬性之間的非線性關(guān)系是空間系統(tǒng)復(fù)雜性的重要標(biāo)志，被作為空間數(shù)據(jù)挖掘的主要任務(wù)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(fù)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(guān)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(lǐng)域，由于傳感器技術(shù)的飛速發(fā)展，波段的數(shù)目也由幾個(gè)增加到幾十甚至上百個(gè)，如何從幾十甚至幾百維空間中提取信息、

6、發(fā)現(xiàn)知識(shí)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(duì)丟失數(shù)據(jù)進(jìn)行恢復(fù)并估計(jì)數(shù)據(jù)的固有分布參數(shù)，成為解決數(shù)據(jù)復(fù)雜性的難點(diǎn)。,,2024/12/13,5,空間數(shù)據(jù)的復(fù)雜性特征空間數(shù)據(jù)的復(fù)雜性特征主要表現(xiàn)在以下幾個(gè)方,空間查詢問題,查詢是挖掘的技術(shù)，空間查詢及其操作的主要特點(diǎn)有：,空間操作相對(duì)復(fù)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(biāo)準(zhǔn)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(gè)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(gè)空間關(guān)系上的一個(gè)空間性連接操作被稱為空間連接（,Spatial Join,）。在空間連接中，關(guān)系都是空間性的，需要與空間連接對(duì)應(yīng)的條件描述。,例如， “相交”關(guān)系用于多邊形；“相鄰”關(guān)系用于點(diǎn)。,相同的地理區(qū)域經(jīng)常有不同的視圖：,一個(gè)區(qū)域不同的視圖（如基礎(chǔ)設(shè)施、城市規(guī)劃、綠化等）保存在單獨(dú)的,GIS,文件中，融合這些數(shù)據(jù)，通常需要一個(gè)稱為“地圖覆蓋”（,Map Overlay,）的操作來實(shí)現(xiàn)。,,一個(gè)空間實(shí)體可用空間和非空間的屬性來描述。當(dāng)其空間屬性用一些空間數(shù)據(jù)結(jié)構(gòu)存儲(chǔ)起來之后，非空間屬性就可以存儲(chǔ)在

8、一個(gè)關(guān)系數(shù)據(jù)庫里。對(duì)空間數(shù)據(jù)庫來說，不同的空間實(shí)體經(jīng)常是和不同的位置相關(guān)聯(lián)的，而且在不同的實(shí)體之間進(jìn)行空間性操作的時(shí)候，經(jīng)常需要在屬性之間進(jìn)行一些轉(zhuǎn)換。,2024/12/13,6,空間查詢問題查詢是挖掘的技術(shù)，空間查詢及其操作的主要特點(diǎn)有：,空間數(shù)據(jù)結(jié)構(gòu),由于空間數(shù)據(jù)的獨(dú)特性質(zhì)，有很多數(shù)據(jù)結(jié)構(gòu)專門被設(shè)計(jì)用來存儲(chǔ)或索引空間數(shù)據(jù)。這些結(jié)構(gòu)有的考慮的是空間實(shí)體的輪廓表示，有的是空間數(shù)據(jù)的索引方法。,空間實(shí)體表示的最常用方法是“最小包圍矩形”。,空間索引技術(shù)大多是基于對(duì)空間目標(biāo)的近似技術(shù)，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(gè)頂點(diǎn)的目標(biāo)可以映射成ｎ*ｋ維空間

9、的點(diǎn)。映射后，可以直接采用點(diǎn)索引技術(shù)。,（,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(biāo)，用傳統(tǒng)的一維的索引結(jié)構(gòu)（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(jí)的子空間，這些子空間允許重疊，但是一個(gè)空間實(shí)體完全包含在某一子空間中。,2024/12/13,7,空間數(shù)據(jù)結(jié)構(gòu)由于空間數(shù)據(jù)的獨(dú)特性質(zhì)，有很多數(shù)據(jù)結(jié)構(gòu)專門被設(shè)計(jì),最小包圍矩形,通過完整包含一個(gè)空間實(shí)體的

10、最小包圍矩形（,MBR,：,Minimum Bounding Rectangle,）來表示該空間實(shí)體。例如，下圖顯示一湖泊的,MBR,：,,,,,,,如果用傳統(tǒng)坐標(biāo)系統(tǒng)來對(duì)這個(gè)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(gè)湖放在一個(gè)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(gè)湖（右圖所示）,另一種更簡單的方法是用一對(duì)不相鄰的頂點(diǎn)坐標(biāo)來表示一個(gè),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(gè)空間實(shí)體的最小包圍矩形（MBR：,空間索引技術(shù),空間索引是指依據(jù)空間實(shí)體的位置和

11、形狀或空間實(shí)體之間的某種空間關(guān)系，按一定順序排列的一種數(shù)據(jù)結(jié)構(gòu)，其中包含空間實(shí)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(duì)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(jié)構(gòu)技術(shù)：,網(wǎng)格文件,四叉樹,R-,樹,k-D,樹,2024/12/13,9,空間索引技術(shù)空間索引是指依據(jù)空間實(shí)體的位置和形狀或空間實(shí)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(gè)一維數(shù)組表示，這些數(shù)組稱為刻度，將其保存在主存。刻度的每一邊界構(gòu)成ｋ,-1,維的超平面。整個(gè)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(chǔ)了該網(wǎng)格單元內(nèi)的數(shù)據(jù)目標(biāo)，稱為數(shù)據(jù)頁。一數(shù)據(jù)頁允許存儲(chǔ)多個(gè)相鄰網(wǎng)格單元的目標(biāo)。網(wǎng)格文件的查找簡單，查找效率較高，適用于點(diǎn)目標(biāo)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(jí)分解成為區(qū)域（單元）來表示空間實(shí)體。四叉樹實(shí)際上每一節(jié)點(diǎn)有,4,個(gè)子樹，用于對(duì)空間點(diǎn)的表示與索引。,如二維空間的四叉樹，每個(gè)子節(jié)點(diǎn)對(duì)應(yīng)一個(gè)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(jí)對(duì)應(yīng)一個(gè)層次級(jí)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(jí)分解成為區(qū)域（單元）來表示空間實(shí),Ｒ-樹,Ｒ,-,樹是Ｂ,-,樹在多維空間的擴(kuò)展,其葉子節(jié)點(diǎn)包含多個(gè)形式為（,OI,，,MBR,）的實(shí)體，,OI,為空間目標(biāo)標(biāo)志，,MBR,為該目標(biāo)在ｋ維空間中的最小包圍矩形。,非葉子節(jié)點(diǎn)包含多個(gè)形式為（,CP,，,MBR,）的實(shí)體。,CP,為指向子樹根節(jié)點(diǎn)的指針，,MBR,為包圍其子節(jié)點(diǎn)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(diǎn)不是葉子節(jié)點(diǎn)，則至少有兩棵子樹；,除根之外的所有中間節(jié)點(diǎn)至多有Ｍ棵子樹，至少

14、有ｍ棵子樹；,每個(gè)葉子節(jié)點(diǎn)均包含ｍ至Ｍ個(gè)數(shù)據(jù)項(xiàng)；,所有的葉子節(jié)點(diǎn)都出現(xiàn)在同一層次；,所有節(jié)點(diǎn)都需要同樣的存儲(chǔ)空間（一個(gè)磁盤頁）。,,,2024/12/13,12,Ｒ-樹Ｒ-樹是Ｂ-樹在多維空間的擴(kuò)展2023/9/2012,k-D樹,k-D,樹被設(shè)計(jì)用來對(duì)多屬性的數(shù)據(jù)進(jìn)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(gè)變種，樹中的每一層用來索引一個(gè)屬性。樹中的每個(gè)結(jié)點(diǎn)表示這個(gè)空間基于一個(gè)分割點(diǎn)被分割成兩個(gè)子集。,和,R-,樹一樣，每個(gè)最低級(jí)別的區(qū)間只有一個(gè)實(shí)體。但是，分割不是用,MBR,來進(jìn)行的。它首先按照一個(gè)維分割，然后按照另一個(gè)維分割，直到每個(gè)區(qū)間只有一個(gè)實(shí)體。,2024/12/13,

15、13,k-D樹k-D樹被設(shè)計(jì)用來對(duì)多屬性的數(shù)據(jù)進(jìn)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(chǔ),假定,A,和,B,是二維空間中的兩個(gè)空間實(shí)體。每個(gè)實(shí)體由空間中的點(diǎn)的集合組成：,∈ A, ∈B,。兩個(gè)空間實(shí)體之間存在若干拓?fù)潢P(guān)系。這些關(guān)系基于兩個(gè)實(shí)體的位置：,分離（,Disjoi

16、nt,） ：,A,與,B,分離，表示,B,中任何點(diǎn)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(gè)點(diǎn)既在,A,里也在,B,里。,等價(jià)：,A,與,B,這兩個(gè)實(shí)體的所有點(diǎn)都是共有的。,包含于：,A,包含于,B,，表示,A,的所有點(diǎn)都在,B,里。反之不一定。,覆蓋,/,包含：,A,覆蓋或包含,B,，當(dāng)且僅當(dāng),B,包含于,A,。,根據(jù)實(shí)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?fù)潢P(guān)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(yuǎn)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(chǔ)假定A 和B是二維空間中的兩,實(shí)體之間的距離的定義,常用的兩個(gè)空間實(shí)體之間的距離有：,最小值方法：,定義實(shí)體,A,和,B,的距離為,A,中的所有點(diǎn)與和,B,中的所有點(diǎn)之間的歐氏或曼哈頓距離中最小的，即,,最大值方法：,定義實(shí)體,A,和,B,的距離為,A,中的所有點(diǎn)與和,B,中的所有點(diǎn)之間的歐氏或曼哈頓距離中最大的，即,,平均值方法：,定義實(shí)體,A,和,B,的距離為,A,中的所有點(diǎn)與和,B,中的所有點(diǎn)之間的歐氏或曼哈頓距離的平均值，即,,中心方法：,定義實(shí)體,A,和,B,的距離為,A,中的中心點(diǎn)與和,B,中的中心點(diǎn)之間的歐氏或曼哈頓距離的平均值，即,,

18、,,,,,2024/12/13,16,實(shí)體之間的距離的定義常用的兩個(gè)空間實(shí)體之間的距離有：2023,空間統(tǒng)計(jì)學(xué),空間統(tǒng)計(jì)學(xué)（,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(píng)價(jià)和預(yù)測(cè)空間數(shù)據(jù)。,基于足夠多的樣本，在統(tǒng)計(jì)空間實(shí)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(chǔ)上，可以得到空間實(shí)體特征的先驗(yàn)概率，進(jìn)而根據(jù)領(lǐng)域知識(shí)發(fā)現(xiàn)共性的幾何知識(shí)。,空間統(tǒng)計(jì)學(xué)具有較強(qiáng)的理論基礎(chǔ)和大量的成熟算法?？臻g統(tǒng)計(jì)學(xué)是基本的數(shù)據(jù)挖掘技術(shù)，特別是多元統(tǒng)計(jì)分析（如判別分析、主成分分析、因子分析、相關(guān)分析、多元回歸分析等）。,統(tǒng)計(jì)方法是分析空間數(shù)

19、據(jù)的最常用的方法。統(tǒng)計(jì)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(jì)不相關(guān)假設(shè)的。在空間數(shù)據(jù)庫中許多空間數(shù)據(jù)通常是相關(guān)的，即空間對(duì)象受其鄰近對(duì)象的影響，難以滿足這種假設(shè)，這樣就會(huì)引起問題。它是空間統(tǒng)計(jì)學(xué)向著實(shí)用的挖掘技術(shù)發(fā)展的一個(gè)重要研究課題。,統(tǒng)計(jì)方法對(duì)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(yùn)算的代價(jià)較高。它是空間統(tǒng)計(jì)學(xué)向著實(shí)用的挖掘技術(shù)發(fā)展的另一個(gè)研究課題。,2024/12/13,17,空間統(tǒng)計(jì)學(xué)空間統(tǒng)計(jì)學(xué)（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(chǔ)，空間統(tǒng)計(jì)學(xué),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(yùn)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(guān)系的層次。應(yīng)用空間數(shù)據(jù)特性，概念層次承認(rèn)了層級(jí)中不同層次規(guī)則和關(guān)系的發(fā)展。,從空間數(shù)據(jù)中挖掘所蘊(yùn)含的概念是空間挖掘的重要任務(wù)之一。,泛化與特化是概念歸納的主要手段，它對(duì)空間數(shù)據(jù)挖掘也是如此。,2024/12/13,19,空間數(shù)據(jù)的蘊(yùn)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(shù),逐步求精（,Progressive Refinement,）的分層是基于空間關(guān)系的

21、，因此空間關(guān)系可以應(yīng)用在一個(gè)更粗糙或者更精細(xì)的層次上。,由于空間應(yīng)用的數(shù)據(jù)量十分龐大，在尋求更多精確響應(yīng)之前要先做出一些近似響應(yīng)。,MBR,就是一個(gè)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(shù)都采用了一種逐步求精的方式。,逐步求精可以看作是對(duì)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(shù)逐步求精（Progressive Refi,泛化,數(shù)據(jù)庫中的數(shù)據(jù)和對(duì)象在原始的概念層次包含有詳細(xì)的信息，經(jīng)常需要將大量數(shù)據(jù)的集合進(jìn)行概括并以較高的概念層次展示，即對(duì)數(shù)據(jù)進(jìn)行泛化。,基于泛化的數(shù)據(jù)挖掘方法假定背景知識(shí)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(dòng)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(guān)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(duì)應(yīng)的概念層次。,空間數(shù)據(jù)應(yīng)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(shí)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(duì)象在原始的概念層次包含有詳細(xì)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(duì)空間數(shù)據(jù)進(jìn)行歸納：歸納進(jìn)行至區(qū)域的數(shù)量達(dá)到閾值為止。然后對(duì)相關(guān)的非空間屬性做相應(yīng)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(duì)非空間屬性（降雨量）進(jìn)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(jié)構(gòu)，把數(shù)據(jù)合并到區(qū)域中，直到區(qū)域的數(shù)目達(dá)到所需的閾值，或者已經(jīng)到達(dá),H,中所要求的層次；,（,3,）,FOR each,所找的區(qū)域,DO BEGIN,（,4,） 對(duì)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(duì)空間數(shù)據(jù),非空間數(shù)據(jù)支配泛化算法,算法首先對(duì)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(jié)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(duì)非空間屬性作面向?qū)傩缘臍w納，,統(tǒng)計(jì)信息網(wǎng)格方法,STING,介紹,統(tǒng)計(jì)學(xué)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(shù)，把空間區(qū)域分成矩形單元。對(duì)空間數(shù)據(jù)庫掃描一次，可以找到每個(gè)單元的統(tǒng)計(jì)參數(shù)（平均數(shù)，變化性，分布類型）。網(wǎng)格結(jié)構(gòu)中的每個(gè)結(jié)點(diǎn)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(qǐng)求（包括聚類）都可以通過檢驗(yàn)單元統(tǒng)計(jì)得到響應(yīng)。,STING,方法可以看作是一種層次聚類技術(shù)。層級(jí)的頂層的組成就是整體空間。最低層是代表每個(gè)最小單元的葉子結(jié)點(diǎn)。如果使用一個(gè)單元在下一層中擁有四個(gè)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(jì)信息網(wǎng)格方法STING介紹

26、統(tǒng)計(jì)學(xué)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(duì)空間實(shí)體的結(jié)構(gòu)及其之間關(guān)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(diǎn)。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(guān)聯(lián)規(guī)則：是兩個(gè)數(shù)據(jù)集合之間的關(guān)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(duì)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(gè)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(duì)空間實(shí)體的結(jié)構(gòu)及其之間關(guān),空間關(guān)聯(lián)規(guī)則,空間關(guān)聯(lián)規(guī)則是空間數(shù)據(jù)實(shí)體之間的關(guān)聯(lián)，有：,非空間的先決條件和空間性的結(jié)果：如在北京、所有的重點(diǎn)學(xué)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(jié)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(jié)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(guān)聯(lián)規(guī)則挖掘是傳統(tǒng)關(guān)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(jì)參數(shù)，由于空間數(shù)據(jù)的特點(diǎn)，往往是在多層概念上進(jìn)行歸納。,挖掘空間關(guān)聯(lián)規(guī)則的有效方法是自上而下、逐步加深的搜索技術(shù)。首先在高的概念層次進(jìn)行搜索，在較粗的精度級(jí)別查找頻繁發(fā)生的模式和在這些模式中較強(qiáng)的隱含關(guān)系；然后，對(duì)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(guān)聯(lián)規(guī)則空間關(guān)聯(lián)規(guī)則是空間數(shù)據(jù)實(shí)體之間的關(guān)聯(lián)，有：202,空間關(guān)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(guān)的數(shù)

29、據(jù)。,步驟,2,：應(yīng)用一個(gè)粗的空間運(yùn)算方法，計(jì)算整個(gè)相關(guān)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(yīng)用一個(gè)細(xì)化的空間計(jì)算方法，從所導(dǎo)出的粗的謂詞集合中計(jì)算謂詞。,步驟,5,：向低層深入，在多個(gè)概念層次上找到關(guān)聯(lián)規(guī)則的完整集合。,,,,,算法,8-4,,空間關(guān)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(shí)體的查詢,q,；感興趣的拓?fù)潢P(guān)系,p,。,輸出：空間關(guān)聯(lián)規(guī)則,R,。,（,1,）,D’=q(D),；,（,2,）在,D’,中應(yīng)用粗糙謂詞，建造,CP,；,// CP,是由滿足,D’,中實(shí)體對(duì)

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(zhǔn)則,.,2024/12/13,28,空間關(guān)聯(lián)規(guī)則基本步驟典型的五步算法：算法8-4 空間關(guān)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(duì)空

31、間實(shí)體的集合進(jìn)行分類。給空間實(shí)體分類，可以通過非空間屬性或空間屬性或二者結(jié)合，并可利用概念層次來進(jìn)行取樣。對(duì)于樣本數(shù)據(jù)的訓(xùn)練可以通過改造傳統(tǒng)的分類算法來完成，例如，對(duì)ID3算法擴(kuò)展。,2024/12/13,30,空間分類方法空間分類方法用來對(duì)空間實(shí)體的集合進(jìn)行分類。給空間,空間決策樹,建造一個(gè)決策樹，有五個(gè)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(guān)謂詞，然后再在較為細(xì)化的層次。,找到最佳的緩沖區(qū)大小和形狀。對(duì)于取樣中的每個(gè)實(shí)體，它周圍的區(qū)域被稱為緩沖區(qū)。目標(biāo)是選擇一個(gè)能產(chǎn)生對(duì)測(cè)試集中的類型進(jìn)行最不同的緩沖區(qū)。,使用,p

32、,和,C,，對(duì)每個(gè)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(yù)定的類別。,輸出：二叉決策樹,T,。,（,1,）根據(jù)預(yù)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(duì)每個(gè)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(gè)決策樹，有五個(gè)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(yīng)該能夠探測(cè)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(yīng)該依賴于檢驗(yàn)空間中的點(diǎn)的順序，而且聚類也不應(yīng)該受不相干的點(diǎn)影響。,傳統(tǒng)的聚類算法可以通過改造來實(shí)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(yīng)該,基于隨機(jī)搜索的聚類方法CLARANS擴(kuò)展,CL

34、ARANS,算法可以表示為查找一個(gè)圖，圖中的每個(gè)節(jié)點(diǎn)都是潛在的解決方案。在替換一個(gè)中心點(diǎn)后獲得的聚類稱為當(dāng)前聚類的鄰居。隨意測(cè)試的鄰居的數(shù)目由參數(shù),maxneighbor,限制。如果找到一個(gè)更好的鄰居，將中心點(diǎn)移至鄰居節(jié)點(diǎn)，重新開始上述過程，否則在當(dāng)前的聚類中生成一個(gè)局部最優(yōu)。找到一個(gè)局部最優(yōu)后，再任意選擇一個(gè)新的節(jié)點(diǎn)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(jì)算復(fù)雜度與對(duì)象的數(shù)量基本呈線性關(guān)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(jī)搜索的聚類方法CLARANS擴(kuò)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(kuò)展。假定聚類中的項(xiàng)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(shè)，那么這個(gè)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(shí)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(gè)新的聚類,C,，并把,p,加入,C,；,（,6,）,,把,p,臨近的點(diǎn)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(diǎn),q,的鄰居點(diǎn)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(jié)構(gòu)。這個(gè)結(jié)構(gòu)為適應(yīng)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(xiàng)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(duì)于每個(gè)選定的網(wǎng)格，只要它們的密度小于或者等于當(dāng)前這個(gè)聚類的中心，就把這個(gè)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(jié)構(gòu)。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(hào)，小波聚類使用的是網(wǎng)格。歸納聚類的時(shí)間復(fù)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(gè)數(shù)。,n,維空間的空間實(shí)體集合可看作是一個(gè)信號(hào)。聚類的邊界與高頻相應(yīng)。聚類本身是低頻率高振幅的。可以使用信號(hào)處理技術(shù)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(hào)中的頻譜的。一個(gè)空間實(shí)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(gè)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(shí)現(xiàn)的。例如，一個(gè)聚類“靠近學(xué)?！?。,通常更多地用復(fù)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(gè)聚類（或者元素群）與一個(gè)特征（或者空間中某個(gè)實(shí)體）接近的程度。聚合鄰近距離可以由聚類中所有點(diǎn)的距離總和來度量。,CRH,算法是典型的確定聚合鄰近關(guān)系方法。它使用三種幾何形狀來界定一個(gè)聚類：,內(nèi)接矩形,R,：包含了一系列點(diǎn)的,MBR,。矩形邊緣與坐標(biāo)軸平行。,外接圓,C,：包圍一系列點(diǎn)的圓周；以內(nèi)接矩形的對(duì)角線為直徑。,凸多邊形,H,：包含點(diǎn)的集合的最小邊界。,,CRH,首先使用一個(gè)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(jìn)行排序；,最后使用凸多邊形來評(píng)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(chǔ)之上，是基于網(wǎng)絡(luò)的驗(yàn)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(bào)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(duì)信息和知識(shí)的提取，以滿足決策的需要。它建立在客戶,/,服務(wù)器的結(jié)構(gòu)之上，由用戶驅(qū)動(dòng)，支持多維數(shù)據(jù)分析，在用戶的指導(dǎo)下驗(yàn)證設(shè)定的假設(shè)。,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(gè)集多數(shù)據(jù)源查詢、任意報(bào)表生成和,OLAP,及數(shù)據(jù)挖掘技術(shù)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(xué)圖像等應(yīng)用，通常以柵格形式表示，柵格代表一個(gè)或多個(gè)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(duì)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(shí)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(yīng)用于不精確、不確定、不完全的信息的分類分析和知識(shí)獲取中。,Rough,集理論為空間數(shù)據(jù)的屬性分析和知識(shí)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(shí)發(fā)現(xiàn)方法相結(jié)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(shí)。,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(gòu)成。云理論將模糊性和隨機(jī)性結(jié)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(jié)合的處理方法奠定了基礎(chǔ)，可以用于處理,GIS,中融隨機(jī)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(cè)性的數(shù)據(jù)分析（,EDA,）,探測(cè)性的數(shù)據(jù)分析，簡稱,EDA,，采用動(dòng)態(tài)統(tǒng)計(jì)圖形和動(dòng)態(tài)鏈接窗口技術(shù)將數(shù)據(jù)及其統(tǒng)計(jì)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(shù)在知識(shí)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(shù)是指運(yùn)用計(jì)算機(jī)圖形學(xué)和圖像處理技術(shù)，將數(shù)據(jù)轉(zhuǎn)換為圖形或圖像在屏幕上顯示出來，并進(jìn)行交互處理的理論、方法和技術(shù)。它涉及到計(jì)算機(jī)圖形學(xué)、圖像處理、計(jì)算機(jī)輔助設(shè)計(jì)、計(jì)算機(jī)視覺及人機(jī)交互技術(shù)等多個(gè)領(lǐng)域。數(shù)據(jù)可視化概念首先來自科學(xué)計(jì)算可視化。,2024/12/13,43,空間挖掘的其他問題5．探測(cè)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(xué)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(gòu)建模塊，空間聯(lián)機(jī)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(guān)聯(lián)規(guī)則。,GeoMiner,的體系結(jié)構(gòu)如圖,8-12,所示，包含四個(gè)部分：,圖形用戶界面，用于進(jìn)行交互式地挖掘并顯示挖掘結(jié)果；,發(fā)現(xiàn)模塊集合，含有上述三個(gè)已實(shí)現(xiàn)的知識(shí)發(fā)現(xiàn)模塊以及四個(gè)計(jì)劃實(shí)現(xiàn)的模塊（分別用實(shí)線框和虛

47、線框表示）；,空間數(shù)據(jù)庫服務(wù)器，包括,MapInfo,、,ESRI/Oracle SDE,、,Informix-Illustra,以及其他空間數(shù)據(jù)庫引擎；,存儲(chǔ)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(shí)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(shí)發(fā)現(xiàn)模塊,空間數(shù)據(jù)庫服務(wù)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(guān)聯(lián)規(guī)則發(fā)現(xiàn)模塊,空間預(yù)測(cè)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(duì)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(shè)計(jì)了一種地理數(shù)據(jù)挖掘查詢語言,GMQL,（,Geo-Mining Query Language,），它是對(duì)空間,SQL,的擴(kuò)展，并成功地應(yīng)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(chǔ)，以進(jìn)一步界定,SDMQL,語言的基本原語。,SDMQL,的設(shè)計(jì)指導(dǎo)原則主要有：

49、,在空間數(shù)據(jù)挖掘請(qǐng)求中應(yīng)說明用于挖掘的相關(guān)數(shù)據(jù)集。,在空間數(shù)據(jù)挖掘請(qǐng)求中應(yīng)說明想要挖掘的知識(shí)的種類。,挖掘過程中應(yīng)該可能運(yùn)用相關(guān)的背景知識(shí)。,挖掘結(jié)果應(yīng)該能用較概括的或多層次概念的術(shù)語來表述。,應(yīng)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(shí)。,應(yīng)采用類似,SQL,的語法以適應(yīng)在高級(jí)語言的水平上進(jìn)行數(shù)據(jù)挖掘并與關(guān)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(duì)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(guān)系型數(shù)據(jù)庫和事務(wù)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(shí)發(fā)現(xiàn)方面的研究。,加拿大西蒙弗雷澤大學(xué)、德國慕尼黑大學(xué)、芬蘭赫爾辛基大學(xué)以及美國、澳大利亞等國家的許多大學(xué)和研究所，都有空間數(shù)據(jù)挖掘的成果報(bào)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(xué)、武漢大學(xué)、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(diǎn)實(shí)驗(yàn)室、中科院遙感所、中國測(cè)繪科學(xué)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(guān)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(gè)非常年輕而富有前景的領(lǐng)域，有很多研究問題需要深入探討，這也是該領(lǐng)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(jìn)行數(shù)據(jù)挖掘,2,．進(jìn)行不確定性挖掘,3,．多邊形聚類技術(shù),4,．模糊空間關(guān)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(shù)結(jié)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(gè)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(chǔ)，空間統(tǒng)計(jì)學(xué),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(guān)學(xué)科的關(guān)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(chǔ)了大量與空間有關(guān)的數(shù)據(jù)，例如數(shù)字地圖、預(yù)處理后的遙感或醫(yī)學(xué)圖像數(shù)據(jù)等等，空間數(shù)據(jù)庫有許多與關(guān)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(chǔ)上提出的一個(gè)新的概念和新的技術(shù)，空間數(shù)據(jù)倉庫是一個(gè)面向主題的、集成的、隨時(shí)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(guān)的決策過程。,空間數(shù)據(jù)挖掘與空間聯(lián)機(jī)分析處理,空間聯(lián)機(jī)分析處理（,Spatial Online Analytical Processing,，,SOLAP,）是針對(duì)特定問題的聯(lián)機(jī)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(chǔ)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(guān)學(xué)科的關(guān)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(chǔ)，空間統(tǒng)計(jì)學(xué),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,