基于空間數(shù)據(jù)庫的數(shù)據(jù)挖掘方法研究.pdf

1、隨著空間數(shù)據(jù)獲取技術(shù)的快速發(fā)展，空間數(shù)據(jù)量急劇增加。為了充分地利用空間數(shù)據(jù)庫中的資源，在大量的數(shù)據(jù)中獲取有價(jià)值的信息，提出了空間數(shù)據(jù)挖掘技術(shù)?？臻g數(shù)據(jù)挖掘技術(shù)可以幫助人們理解空間數(shù)據(jù)，獲取空間數(shù)據(jù)之間的內(nèi)在關(guān)系。文中對空間數(shù)據(jù)庫以及空間數(shù)據(jù)挖掘方面的基礎(chǔ)知識——包括空間數(shù)據(jù)庫的數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)模型、索引技術(shù)，以及空間數(shù)據(jù)挖掘的基本步驟、方法等進(jìn)行了詳細(xì)的介紹，作為進(jìn)行空間聚類研究的理論基礎(chǔ)。 聚類分析是空間數(shù)據(jù)挖掘的一個(gè)重要的研究

2、方向，它通過度量空間數(shù)據(jù)之間的相似性將空間數(shù)據(jù)庫劃分為不同的簇或類，使得同簇中的對象盡可能相似，而不同簇之間的對象盡可能不同。聚類分析在現(xiàn)實(shí)生活中用途廣泛，可以用在選址、客戶群分類等方面，幫助投資者進(jìn)行決策，并帶來盡可能大的效益。因此，聚類具有重大的研究意義。 目前，已經(jīng)有許多比較成熟的聚類算法，如DBSCAN算法、CURE算法、CLARANS算法等。這些算法是空間聚類的經(jīng)典算法，但仍在某些方面存在一定的問題。本文的研究重點(diǎn)就是

3、在已有算法的基礎(chǔ)上，對算法進(jìn)行改進(jìn)，以提高算法效率。本文針對普通聚類和帶障礙約束的聚類，分別提出了一種改進(jìn)算法。 算法1：對DBSCAN算法的改進(jìn)。DBSCAN算法需要判斷每個(gè)對象是否是核心點(diǎn)，這種判斷會占據(jù)大量的I/O開銷，是限制算法效率的瓶頸。本文的算法不需要對每個(gè)點(diǎn)進(jìn)行核心點(diǎn)判斷，算法在尋找連通區(qū)域的過程中，每次循環(huán)選取一個(gè)沒有聚類標(biāo)識的點(diǎn)：如果這個(gè)點(diǎn)是核心點(diǎn)，并且其核心區(qū)域內(nèi)的點(diǎn)已經(jīng)有其他的聚類標(biāo)識，則將該點(diǎn)及其核心區(qū)域

4、的點(diǎn)的聚類標(biāo)識設(shè)置為其中的最小值；若該點(diǎn)不是核心點(diǎn)，則選擇下一個(gè)點(diǎn)繼續(xù)判斷。這種算法不僅大大減少了需要判斷的核心點(diǎn)的數(shù)量，而且在尋找連通區(qū)域的同時(shí)直接將聚類合并，會大大提高算法的時(shí)間效率。 算法2：基于數(shù)學(xué)形態(tài)學(xué)的帶障礙約束的空間聚類算法。該算法主要借鑒數(shù)學(xué)形態(tài)學(xué)聚類--MMC算法的基本思想，在此基礎(chǔ)上加入了對障礙約束的處理。該算法與DBCluC算法不同，不需要通過每兩個(gè)對象的連線是否與障礙物相交來判斷兩對象是否屬于同一個(gè)類，而

5、是借助于結(jié)構(gòu)元素，僅僅對受障礙物影響的對象（即障礙物附近的點(diǎn)）進(jìn)行判斷。從數(shù)據(jù)點(diǎn)集中選取一個(gè)點(diǎn)作為結(jié)構(gòu)元素的圓心進(jìn)行膨脹運(yùn)算，若結(jié)構(gòu)元素與障礙物相交，則將位于圓心的點(diǎn)與該點(diǎn)膨脹運(yùn)算所包含的點(diǎn)分別連線，對于連線與障礙物相交的點(diǎn)，將其flag值設(shè)為false，說明該點(diǎn)位于障礙物的另一側(cè)，與圓心點(diǎn)不屬于同一個(gè)連通區(qū)域；對于連線不與障礙物相交的點(diǎn)賦予與圓心位置的點(diǎn)同樣的聚類標(biāo)識。經(jīng)過分析，算法的效率優(yōu)于其他算法。在文章的最后，進(jìn)行了數(shù)據(jù)實(shí)驗(yàn)，進(jìn)