智能信息挖掘与处理

1概论1
1.1时空数据挖掘研究概述3
1.2空间数据流聚类算法研究5
1.2.1基于密度的聚类算法5
1.2.2数据流聚类算法9
1.3时空轨迹数据挖掘研究现状11
1.3.1轨迹距离测量方法11
1.3.2轨迹数据流聚类算法相关研究14
1.3.3移动目标轨迹模式挖掘相关研究17
1.3.4面向邻居的实时查询处理方法20
1.4GIS可视化空间数据挖掘技术21
1.5城市超前地质预报发展现状22
1.6本章小结23
2基于密度的空间数据流在线聚类算法24
2.1引言24
2.2在线聚类相关定义25
2.2.1基本概念25
2.2.2在线聚类描述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时间复杂度31
2.4实验测试及分析32
2.4.1聚类效果测试32
2.4.2性能测试34
2.4.3输入参数敏感度分析35
2.5本章小结38
3海量轨迹数据流在线聚类算法39
3.1概述39
3.2问题定义40
3.2.1基本概念40
3.2.2CTraStream基本框架43
3.3基于密度的线段流聚类44
3.3.1新线段的影响44
3.3.2CLnStream描述45
3.4轨迹簇在线更新方法46
3.4.1TC-Tree索引结构47
3.4.2由线段簇更新轨迹簇48
3.4.3TraCluUpdate算法描述49
3.5实验评估及分析50
3.5.1聚类效果测试50
3.5.2性能测试52
3.5.3参数敏感度分析53
3.6本章小结54
4面向实时查询处理的时空轨迹流挖掘框架55
4.1引言55
4.2框架概述56
4.2.1问题定义56
4.2.2TSMF框架57
4.3轨迹数据流挖掘58
4.3.1轨迹数据流聚类58
4.3.2Swarm-HT在线更新59
４.４实时查询处理方法60
4.4.1CCTC查询60
4.4.2CCSwarm查询61
4.4.3k-NNT查询62
4.5实验评估63
4.5.1挖掘效果64
4.5.2挖掘效率65
4.5.3查询处理性能测试65
4.5.4参数敏感度分析66
4.6本章小结66
5基于GIS的可视化空间数据挖掘技术68
5.1地理信息系统68
5.1.1空间数据模型68
5.1.2空间关联规则72
5.1.3空间数据库74
5.2空间数据挖掘76
5.2.1空间关联规则及其挖掘方法76
5.2.2支持向量机挖掘方法79
5.2.3聚类方法80
5.3空间数据挖掘过程81
5.4空间数据挖掘的可视化81
5.4.1基于Java 3D的空间关联规则可视化82
5.4.2基于平行坐标理论的多维多时相空间数据可视化87
5.5本章小结90
6支持向量机算法的研究91
6.1支持向量机算法91
6.1.1模式的区分91
6.1.2SVM学习模型95
6.1.3SVM算法已知的问题96
6.1.4应用SVM算法进行岩体分类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测度102
6.2.2案例库的设计原则104
6.2.3基于CBR方法的改进SVM算法104
6.3基于空间区域划分的SVM方法105
6.4算法分析107
6.5本章小结110
7城市地下空间GIS分类技术及分析111
7.1空间聚类111
7.2城市地下空间GIS空间聚类算法112
7.2.1统计距离方法112
7.2.2基于相似形理论的夹角余弦方法112
7.2.3基于k中心点法的空间聚类113
7.3空间分类结果评价指标115
7.4文本分类115
7.4.1预处理技术116
7.4.2特征提取技术117
7.4.3特征项权重计算118
7.5城市地下空间GIS的文本分类算法119
7.6文本分类效果评价指标121
7.7分类技术的难点分析121
7.8本章小结122
8空间数据挖掘过程中的数据质量控制及改进方法123
8.1空间数据的不确定性123
8.1.1空间数据不确定性的来源124
8.1.2空间数据误差评价指标125
8.2空间数据质量评价126
8.2.1评价的内容126
8.2.2评价的方法127
8.3城市地下空间数据获取方法128
8.3.1城市地质工程及数据特点128
8.3.2爆破震动监测测量方法130
8.4三明治空间抽样方法132
8.5本章小结134
9城市地下空间数据挖掘GIS原型系统构建135
9.1系统构建策略135
9.2系统功能设计136
9.3数据流程设计139
9.4插件式系统集成方法139
9.5系统运行效果140
9.6本章小结142
附录符号说明144
参考文献145