智能信息挖掘與處理

1概論1
1.1時空數據挖掘研究概述3
1.2空間數據流聚類算法研究5
1.2.1基于密度的聚類算法5
1.2.2數據流聚類算法9
1.3時空軌跡數據挖掘研究現狀11
1.3.1軌跡距離測量方法11
1.3.2軌跡數據流聚類算法相關研究14
1.3.3移動目標軌跡模式挖掘相關研究17
1.3.4面向鄰居的實時查詢處理方法20
1.4GIS可視化空間數據挖掘技術21
1.5城市超前地質預報發(fā)展現狀22
1.6本章小結23
2基于密度的空間數據流在線聚類算法24
2.1引言24
2.2在線聚類相關定義25
2.2.1基本概念25
2.2.2在線聚類描述27
2.3OLDStream算法27
2.3.1算法思想27
2.3.2算法描述28
2.3.3時間復雜度31
2.4實驗測試及分析32
2.4.1聚類效果測試32
2.4.2性能測試34
2.4.3輸入參數敏感度分析35
2.5本章小結38
3海量軌跡數據流在線聚類算法39
3.1概述39
3.2問題定義40
3.2.1基本概念40
3.2.2CTraStream基本框架43
3.3基于密度的線段流聚類44
3.3.1新線段的影響44
3.3.2CLnStream描述45
3.4軌跡簇在線更新方法46
3.4.1TC-Tree索引結構47
3.4.2由線段簇更新軌跡簇48
3.4.3TraCluUpdate算法描述49
3.5實驗評估及分析50
3.5.1聚類效果測試50
3.5.2性能測試52
3.5.3參數敏感度分析53
3.6本章小結54
4面向實時查詢處理的時空軌跡流挖掘框架55
4.1引言55
4.2框架概述56
4.2.1問題定義56
4.2.2TSMF框架57
4.3軌跡數據流挖掘58
4.3.1軌跡數據流聚類58
4.3.2Swarm-HT在線更新59
４.４實時查詢處理方法60
4.4.1CCTC查詢60
4.4.2CCSwarm查詢61
4.4.3k-NNT查詢62
4.5實驗評估63
4.5.1挖掘效果64
4.5.2挖掘效率65
4.5.3查詢處理性能測試65
4.5.4參數敏感度分析66
4.6本章小結66
5基于GIS的可視化空間數據挖掘技術68
5.1地理信息系統(tǒng)68
5.1.1空間數據模型68
5.1.2空間關聯規(guī)則72
5.1.3空間數據庫74
5.2空間數據挖掘76
5.2.1空間關聯規(guī)則及其挖掘方法76
5.2.2支持向量機挖掘方法79
5.2.3聚類方法80
5.3空間數據挖掘過程81
5.4空間數據挖掘的可視化81
5.4.1基于Java 3D的空間關聯規(guī)則可視化82
5.4.2基于平行坐標理論的多維多時相空間數據可視化87
5.5本章小結90
6支持向量機算法的研究91
6.1支持向量機算法91
6.1.1模式的區(qū)分91
6.1.2SVM學習模型95
6.1.3SVM算法已知的問題96
6.1.4應用SVM算法進行巖體分類96
6.2基于案例推理CBR方法102
6.2.1基于案例推理方法中的測度102
6.2.2案例庫的設計原則104
6.2.3基于CBR方法的改進SVM算法104
6.3基于空間區(qū)域劃分的SVM方法105
6.4算法分析107
6.5本章小結110
7城市地下空間GIS分類技術及分析111
7.1空間聚類111
7.2城市地下空間GIS空間聚類算法112
7.2.1統(tǒng)計距離方法112
7.2.2基于相似形理論的夾角余弦方法112
7.2.3基于k中心點法的空間聚類113
7.3空間分類結果評價指標115
7.4文本分類115
7.4.1預處理技術116
7.4.2特征提取技術117
7.4.3特征項權重計算118
7.5城市地下空間GIS的文本分類算法119
7.6文本分類效果評價指標121
7.7分類技術的難點分析121
7.8本章小結122
8空間數據挖掘過程中的數據質量控制及改進方法123
8.1空間數據的不確定性123
8.1.1空間數據不確定性的來源124
8.1.2空間數據誤差評價指標125
8.2空間數據質量評價126
8.2.1評價的內容126
8.2.2評價的方法127
8.3城市地下空間數據獲取方法128
8.3.1城市地質工程及數據特點128
8.3.2爆破震動監(jiān)測測量方法130
8.4三明治空間抽樣方法132
8.5本章小結134
9城市地下空間數據挖掘GIS原型系統(tǒng)構建135
9.1系統(tǒng)構建策略135
9.2系統(tǒng)功能設計136
9.3數據流程設計139
9.4插件式系統(tǒng)集成方法139
9.5系統(tǒng)運行效果140
9.6本章小結142
附錄符號說明144
參考文獻145