图书介绍
空间数据聚类 查询与分析技术pdf电子书版本下载
- 李松，张丽平，郝晓红著 著
- 出版社： 北京：中国标准出版社
- ISBN：9787506682817
- 出版时间：2016
- 标注页数：306页
- 文件大小：40MB
- 文件页数：322页
- 主题词：空间信息系统－数据处理－聚类分析－研究；空间信息系统－数据检索－研究
PDF下载
下载说明
空间数据聚类 查询与分析技术PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 基础知识 1
1.1 空间数据信息 1
1.1.1 空间数据特征 1
1.1.2 空间数据分类 2
1.1.3 空间数据模型 4
1.1.4 地理信息系统 5
1.1.5 空间数据库 6
1.2 空间数据挖掘 8
1.2.1 空间数据挖掘的特点 8
1.2.2 空间数据挖掘的知识类型 8
1.2.3 空间数据挖掘的过程 10
1.2.4 空间数据挖掘的可视化 10
1.3 空间数据聚类 11
1.3.1 聚类算法概述 11
1.3.2 聚类算法基本过程 12
1.3.3 聚类算法分类 13
1.3.4 聚类有效性指标 14
1.4 空间数据查询 15
1.4.1 空间索引结构 15
1.4.2 空间查询 18
1.5 空间数据分析 21
1.5.1 空间拓扑关系 22
1.5.2 空间方向关系 24
1.5.3 空间距离关系 25
1.5.4 空间关系推理 25
1.6 本章小结 26
第2章 基于k-means聚类的方法 27
2.1 基于密度期望确定k-means算法的初始中心点 28
2.1.1 相关概念 29
2.1.2 基于密度期望选取初始中心点 30
2.2 基于密度期望及有效性指标确定k值的选取 31
2.2.1 有效性指标函数 31
2.2.2 结合密度期望及有效性指标选取有效聚类数k值 32
2.3 基于全局中心的高密度不唯一的k-means算法研究 33
2.3.1 基于不唯一密度的初始中心点选取 33
2.3.2 基本定义 34
2.3.3 基于不唯一密度的初始中心点选取方法 34
2.3.4 基于NDK-means和有效性指标的k值优化 36
2.4 基于蚁群算法的增量FCM聚类算法 37
2.4.1 蚁群算法 38
2.4.2 基于ACO算法的改进的FCM算法 39
2.4.3 基于ACOFCM算法的增量聚类研究 40
2.5 基于相对密度的多分辨率增量聚类算法 41
2.5.1 基于相对密度多分辨率聚类算法 42
2.5.2 算法K-RDC描述及过程 43
2.5.3 基于中心点及相对密度的增量聚类算法 44
2.6 本章小结 46
第3章 不确定空间数据聚类方法 47
3.1 不确定数据信息概述 47
3.1.1 不确定数据信息来源 47
3.1.2 不确定数据信息分类 47
3.1.3 不确定空间数据对象 48
3.2 典型不确定数据聚类方法 48
3.2.1 基于划分的不确定数据聚类方法 48
3.2.2 基于密度的不确定数据聚类算法 49
3.2.3 其他不确定数据聚类算法 49
3.2.4 聚类评测标准 50
3.3 基于人工蜂群算法改进模糊C-均值聚类算法 51
3.3.1 人工蜂群算法 52
3.3.2 结合人工蜂群算法确定模糊C－均值算法初始中心点 54
3.4 面向空间不确定数据的模糊聚类分析 55
3.4.1 不确定数据模型 55
3.4.2 空间不确定数据模糊聚类算法 56
3.4.3 空间不确定数据模糊聚类算法的改进方法 57
3.4.4 改进空间不确定数据模糊聚类算法描述 59
3.5 不确定数据聚类的U-PAM算法和UM-PAM算法 60
3.5.1 基本定义 60
3.5.2 PAM算法 61
3.5.3 U-PAM聚类算法 61
3.5.4 UM-PAM聚类算法 63
3.5.5 基于U-PAM和CH有效性指标优化 64
3.6 本章小结 67
第4章 障碍物环境下的聚类方法 68
4.1 障碍约束下的聚类概述 68
4.2 COD CLARANS方法 71
4.3 DBCLuC方法 72
4.4 AutoClust和AutoClust＋方法 73
4.5 障碍约束下的基于矩形格的聚类方法 74
4.6 本章小结 76
第5章 空间近邻关系查询基础 77
5.1 空间最近邻查询概念 77
5.1.1 最近邻查询意义 77
5.1.2 最近邻查询基本定义 78
5.2 典型变体空间最近邻查询 78
5.3 最近邻查询的基本方法 81
5.3.1 基于树索引结构的查询方法 81
5.3.2 基于Voronoi图的查询方法 82
5.3.3 基于空间填充曲线的查询方法 83
5.4 本章小结 84
第6章 Voronoi图的生成及查询技术 85
6.1 基础定义和性质 85
6.2 Voronoi图的生成方法 86
6.3 基于Voronoi图的基本近邻查询 88
6.4 数据集中强邻近对查询 92
6.4.1 基本定义 92
6.4.2 无障碍物的强邻近对查询 93
6.4.3 有障碍物的强邻近对查询 95
6.4.4 障碍物环境下的优化过滤查询 97
6.4.5 数据存储结构 100
6.4.6 基于最小内切圆和网格的近似查询 101
6.4.7 动态数据集中的强邻近对查询 103
6.5 基于Voronoi图的空间反向最近邻查询 109
6.5.1 Voronoi图与反向最近邻查询 110
6.5.2 利用Voronoi图处理数据集的反向最近邻 111
6.5.3 插入点时反向最近邻的判定 113
6.5.4 删除点时反向最近邻的判定 115
6.5.5 部分空间数据存储结构 116
6.6 路网中基于Voronoi图的反向最近邻查询 116
6.6.1 基础知识 117
6.6.2 过滤过程 118
6.6.3 精炼过程 119
6.6.4 基于NVD的RNN算法描述 121
6.6.5 路网中新增点对反向最近邻查询的影响 122
6.6.6 路网中删除点对反向最近邻查询的影响 123
6.7 路网环境下的组k最近邻查询方法 124
6.7.1 基本定义和性质 124
6.7.2 处理数据集 125
6.7.3 过滤过程 126
6.7.4 精炼过程 127
6.7.5 基于NVD的GkNN算法 128
6.7.6 路网中新增点对组k最近邻查询的影响 129
6.7.7 路网中删除点对组k最近邻查询的影响 130
6.8 障碍空间中基于Voronoi图的kNN查询 131
6.8.1 过滤过程 131
6.8.2 精炼过程 132
6.8.3 障碍空间中基于Voronoi的kNN算法描述 134
6.8.4 障碍空间中新增点对kNN的影响 134
6.8.5 障碍空间中删除点对kNN的影响 135
6.9 本章小结 136
第7章 空间数据索引结构和查询技术 137
7.1 IRT树索引结构与基本操作算法 137
7.1.1 IRT树索引结构 137
7.1.2 IRT树索引结构的基本操作 138
7.2 基于RBRT树的近邻查询 140
7.2.1 RBRT树空间索引结构 140
7.2.2 基于RBRT树的最近邻查询 140
7.2.3 基于RBRT树的受限最近邻查询 142
7.2.4 基于RBRT树的受限单纯型连续近邻链查询 143
7.3 RTC树空间索引结构 146
7.3.1 RTC树的组织结构 146
7.3.2 基于节点相交策略的搜索方法 147
7.4 基于RTC树的近邻关系查询 148
7.4.1 基于RTC树的最近邻查询 148
7.4.2 障碍物环境下基于RTC树的最近邻查询 150
7.4.3 基于RTC树的动态单纯型连续近邻链查询 151
7.5 典型曲面上的点的索引和近邻查询 153
7.5.1 柱面和锥面上点的索引和最近邻查询 153
7.5.2 球面上的点的最近邻查询 155
7.6 空间关系连接处理 160
7.6.1 种子树方法 161
7.6.2 空间哈希方法 162
7.6.3 槽索引方法 163
7.6.4 同步遍历方法 163
7.6.5 窗口缩减方法 164
7.6.6 分区空间合并连接 164
7.6.7 空间连接索引技术 164
7.7 本章小结 165
第8章 基于位置轨迹的移动对象的最近邻查询方法 166
8.1 基本定义 166
8.2 基于位置轨迹的移动对象的最近邻查询 167
8.2.1 预定区域的距离函数计算法 167
8.2.2 基于索引树的渐进筛选法 169
8.2.3 基于Voronoi图的查询方法 171
8.3 本章小结 172
第9章 基于聚类的R树构建方法 173
9.1 混合聚类算法CUK-MEANS和R树构建方法 173
9.1.1 混合聚类算法 173
9.1.2 基于CUK-MEANS算法的R树索引构建方法 175
9.1.3 基于CKR-R算法的R树节点分裂方法 178
9.2 改进的基于CURE算法的R树构建和操作方法 180
9.2.1 CU_RSbuilt算法和CU_RHbuilt算法 180
9.2.2 节点分裂算法 183
9.3 基于Hilbert曲线的不确定数据索引结构和查询方法 184
9.3.1 Hilbert曲线编码以及Hilbert-R树 184
9.3.2 基于Hilbert曲线的HC_UNCERTAIN算法 184
9.3.3 基于CURE算法的Hilbert-R树索引结构构建 187
9.3.4 基于概率阈值的查询算法HPTRQ 191
9.3.5 不确定数据组最近邻查询算法 192
9.4 本章小结 194
第10章 单纯型连续近邻链查询 195
10.1 单纯型连续近邻链的基本查询方法 195
10.1.1 基于R树索引结构的查询方法 195
10.1.2 基于Vornoi图的查询方法 196
10.2 基于不变数据集和可变数据集的查询 197
10.2.1 基于不变数据集的查询 197
10.2.2 基于可变数据集的查询 198
10.3 预定数据规模的单纯型连续近邻链查询 200
10.4 障碍物环境下的单纯型连续近邻链查询 202
10.4.1 障碍线和单纯型连续近邻链 202
10.4.2 障碍物环境下的逐步启发式查询方法 202
10.4.3 基于Voronoi图的ObSCNNC_VOR算法 203
10.4.4 障碍物环境下的动态数据集中的单纯型连续近邻链查询 205
10.5 障碍物动态变化环境下的单纯型连续近邻链查询 210
10.5.1 基本定义 210
10.5.2 静态障碍物环境下的单纯型连续近邻链查询 211
10.5.3 动态障碍物环境下的单纯型连续近邻链查询 213
10.6 受限区域内的单纯型连续近邻链查询 215
10.6.1 基本概念和定义 215
10.6.2 无障碍环境下的受限区域内的单纯型连续近邻链查询 216
10.6.3 障碍物环境下的受限区域内的单纯型连续近邻链查询 219
10.7 动态受限区域内的单纯型连续近邻链查询 220
10.7.1 初始受限区域内的单纯型连续近邻链查询 221
10.7.2 受限区域扩张环境下的单纯型连续近邻链查询 223
10.7.3 受限区域收缩环境下的单纯型连续近邻链查询 226
10.8 本章小结 228
第11章 3D方向关系模型 229
11.1 基本3D方向关系模型 229
11.1.1 基本3D方向关系模型的概念 229
11.1.2 3D空间对象的动态方位邻接关系 231
11.1.3 3DR27空间对象方位关系的双向映射模型 233
11.1.4 3DR39模型的双向关联表示 234
11.1.5 3DR43模型和3DR47模型 235
11.2 3DR39-3d方位关系模型 235
11.2.1 基础定义 235
11.2.2 3DR39-3d模型的动态方位关系 237
11.2.3 3DR39-3d模型的反方位关系 240
11.3 3DR44-4d方位关系模型 242
11.3.1 基本定义和概念 242
11.3.2 3DR44-4d模型的动态方位关系 244
11.4 本章小结 246
第12章 Vague区域关系与方向关系的表示 247
12.1 不确定区域关系 247
12.1.1 空间不确定性 247
12.1.2 不确定区域关系处理方法 248
12.1.3 数学方法 252
12.2 基本Vague区域关系 257
12.2.1 Vague区域的定义 257
12.2.2 无核Vague区域关系 259
12.2.3 含核Vague区域关系 263
12.3 Jrv类粗糙Vague区域关系 271
12.3.1 Jrv类粗糙Vague区域关系 271
12.3.2 Jrv类粗糙Vague区域关系的动态关联性 272
12.3.3 Jrv类粗糙Vague原子区域关系的可能蕴涵情况 274
12.3.4 Jrv类粗糙Vague区域关系的可能蕴涵式 276
12.4 Vague区域关系与方向关系的表示 278
12.4.1 Vague方向关系表示 278
12.4.2 Vague方向关系的动态性 281
12.4.3 Vague方向关系的反向关系推理 283
12.4.4 Vague方向关系和区域关系的复合关联推理 285
12.5 本章小结 286
第13章 空间网络间的空间关系 287
13.1 空间网络间的空间关系分析 287
13.1.1 基本概念 287
13.1.2 严格型的空间网络间的空间关系表示 288
13.1.3 扩展型的空间网络间的空间关系表示 290
13.2 空间网络间的空间关系的交集模型 293
13.2.1 空间网络间的空间关系的交集模型表示 293
13.2.2 空间网络间的空间关系的特征条件式和蕴涵条件式 295
13.3 空间网络间的空间关系推理 300
13.4 本章小结 301
参考文献 302