空间模式挖掘理论与方法
出版时间：2014年版
内容简介
空间关联和并置模式被统称为空间模式，空间模式发现是空间数据挖掘中最重要的任务之一。本书围绕挖掘的目标（如关联或并置）和对象（如经典数据、区间数据、不确定性数据或模糊数据等），系统地介绍了作者在空间模式挖掘领域的主要研究成果。内容包括：绪论；空间模式挖掘基础；空间关联规则挖掘；经典数据的空间co？location模式挖掘（1）、（2）；不确定性数据的空间co？location模式挖掘；区间数据的空间co？location模式挖掘；模糊数据的空间co？location模式挖掘；加权co？location模式及其挖掘算法；负co？location模式挖掘及SCPMiner开发等。？本书可供高等院校计算机及相关专业的本科生、研究生参考，对从事计算机开发及应用的科技人员及开发人员也有较大的参考价值。
目录
第1章绪论
1.1背景及意义
1.2什么是空间模式挖掘
1.3空间模式挖掘的难点
1.4空间模式挖掘任务
1.5本书的内容与组织
相关工作
参考文献
第2章空间模式挖掘基础
2.1从事务数据到空间数据挖掘
2.2空间数据的表示和建模
2.2.1栅格结构
2.2.2矢量结构
2.2.3矢栅一体化结构
2.3空间数据获取
2.3.1基于Google Earth 和Global Mapper 获取空间数据
2.3.2基于ArcGIS 提取空间数据
2.4空间计算
2.4.1空间索引技术
2.4.2空间近邻计算
2.4.3空间远邻查询
2.4.4寻找极大团和团
相关工作
参考文献
第3章空间关联规则挖掘
3.1空间关联规则的相关概念
3.1.1空间谓词
3.1.2概念层次树
3.1.3空间查询
3.1.4空间关联规则
3.2自顶向下、逐步求精的空间关联规则挖掘
3.2.1算法描述
3.2.2算法分析
3.2.3实例研究
3.3基于等价划分树的多层空间关联规则挖掘
3.3.1相关概念
3.3.2划分和空间关联规则
3.3.3优化策略
3.3.4算法设计及实现
3.3.5性能评估
3.4空间关联规则挖掘在气象数据上的应用
3.4.1问题提出
3.4.2问题定义
3.4.3挖掘结果分析
相关工作
参考文献
第4章经典数据的空间co-location 模式挖掘(1)
4.1基本概念
4.1.1co-location 挖掘相关概念
4.1.2co-location 挖掘算法分类
4.2基于完全连接的co-location 挖掘算法
4.2.1先验原理
4.2.2全连接算法的基本思想
4.2.3全连接算法(join-based algorithm)
4.2.4候选co-location 的产生与剪枝
4.2.5产生候选co-location 的表实例
4.2.6计算参与度与多分辨剪枝(multi-resolution pruning)
4.2.7产生co-location 规则
4.2.8计算复杂度
4.3两种物化空间邻近关系的模型
4.3.1星型邻居物化模型
4.3.2团邻居物化模型
4.3.3模型比较
4.4无连接的co-location 挖掘算法
4.4.1基本介绍
4.4.2无连接(join-less)算法
4.4.3算法的完备性和正确性
4.5部分连接的co-location 挖掘算法
4.5.1部分连接(partial-join)方法
4.5.2分析比较join-based、join-less 和partial-join 算法
相关工作
参考文献
第5章经典数据的空间co-location 模式挖掘(2)
5.1前缀树结构
5.1.1问题提出
5.1.2前缀树结构挖掘算法的实质分析
5.2基于CPI-tree 的co-location 挖掘算法
5.2.1CPI-tree 设计与构造
5.2.2CPI-tree 分析与讨论
5.2.3用CPI-tree 生成co-location 表实例
5.3基于iCPI-tree 的co-location 挖掘算法
5.3.1iCPI-tree 定义
5.3.2基于iCPI-tree 的挖掘算法
5.3.3iCPI-tree 算法的完备性和正确性
5.3.4iCPI-tree 与CPI-tree 算法的计算复杂度比较
5.4基于有序团的极大co-location 挖掘算法
5.4.1极大co-location 模式
5.4.2候选极大co-location 的产生
5.4.3计算co-location 表实例
5.4.4基于有序团(order-clique-based)的算法
5.4.5算法复杂度分析
5.5前缀树算法的评估和总结
5.5.1实验评估
5.5.2co-location 挖掘算法的一般模式
相关工作
参考文献
第6章不确定性数据的空间co-location 模式挖掘
6.1空间不确定性数据的表示和建模
6.1.1不确定性数据产生的原因
6.1.2不确定性数据分类
6.1.3不确定性数据的表示和建模
6.2空间不确定性数据的距离计算
6.2.1值不确定性连续对象的距离计算
6.2.2值不确定性离散对象的距离计算
6.3基于期望距离的频繁co-location 挖掘
6.3.1问题分析
6.3.2Ujoin-based 算法
6.3.3边界矩形剪枝算法
6.3.4三角不等式剪枝算法
6.3.5实验评估
6.4基于动态规划的概率频繁co-location 挖掘
6.4.1期望频繁与概率频繁
6.4.2基本的动态规划算法
6.4.3改进的动态规划算法
6.4.4近似挖掘算法
6.4.5实验评估
相关工作
参考文献
第7章区间数据的空间co-location 模式挖掘
7.1区间实例的表示和划分
7.1.1区间实例的表示
7.1.2区间实例的模糊等价划分
7.2从区间数表示的空间数据集中挖掘co-location 模式
7.2.1基于模糊等价类的co-location 相关概念
7.2.2挖掘算法设计
7.2.3实验评估
7.3不精确概率
7.3.1证据理论
7.3.2概率区间
7.3.3模糊概率理论
7.3.4可能性理论
7.4概率区间下的可能世界模型
7.4.1可能世界模型
7.4.2概率区间的基本概念
7.4.3概率区间下的可能世界模型
7.5从带概率区间的不确定数据集中挖掘co-location 模式
7.5.1概率区间下模式的频繁点概率
7.5.2概率区间下的co-location 模式挖掘算法
7.5.3实验分析
相关工作
参考文献
第8章模糊数据的空间co-location 模式挖掘
8.1模糊挖掘基础
8.1.1模糊集合的概念
8.1.2模糊α-截集
8.1.3模糊挖掘建模
8.2模糊特征的空间co-location 模式挖掘
8.2.1相关定义及性质
8.2.2基本挖掘算法(FB算法)
8.2.3四个剪枝算法
8.2.4评估与分析
8.3模糊度阈值范围内模糊特征的co-location 模式挖掘
8.3.1问题的提出及相关定义
8.3.2算法
8.3.3评估与分析
8.3.4“三江并流”项目中的应用
8.4带模糊属性的co-location 模式挖掘
8.4.1属性模糊化
8.4.2模糊co-location 模式
8.4.3模糊参与率(度)分析
8.4.4挖掘算法及剪枝
8.4.5评估与分析
8.4.6在城市土壤重金属含量关系分析中的应用
相关工作
参考文献
第9章加权co-location 模式挖掘
9.1参与率与小加权参与率
9.1.1参与率
9.1.2小加权参与率
9.2基于参与率挖掘带稀有特征的co-location 模式
9.2.1一个基础算法
9.2.2参与率的弱单调性与剪枝
9.3基于加权参与率挖掘带稀有特征的co-location 模式
9.3.1基于加权参与率的基本挖掘算法
9.3.2加权参与率的部分向下闭合性与剪枝算法
9.3.3在模拟数据上的评估
9.3.4在实际数据中的应用
9.4带时间约束的加权co-location 模式挖掘
9.4.1相关定义和一个引理
9.4.2基本挖掘算法
9.4.3top-k挖掘算法
9.4.4实验评估
相关工作
参考文献
第10章负co-location 模式挖掘及SCPMiner开发
10.1负co-location 模式
10.1.1基本定义
10.1.2负co-location 模式的性质
10.1.3负co-location 模式挖掘的难点
10.2非频繁co-location 模式
10.2.1非频繁co-location 模式
10.2.2非频繁co-location 模式和负co-location 模式比较
10.3基于正负模式关系挖掘有趣的负co-location 模式
10.3.1挖掘有趣的负co-location 模式算法
10.3.2算法解释
10.3.3算法的正确性、完整性及复杂度分析
10.3.4算法实验评估
10.3.5基于正负co-location 模式挖掘的城市规划分析
10.4空间模式挖掘原型系统(SCPMiner)开发
10.4.1SCPMiner分析与设计
10.4.2SCPMiner的实现
10.4.3SCPMiner的可视化技术
相关工作
参考文献
词汇索引
