基于多密度聚类算法的路网提取

随着GPS等定位系统的迅速发展,使得路网提取有了新的发展方向,然而目前利用浮动车GPS轨迹数据提取路网的方法层出不穷,但是提取效果却并不能尽如人意。本文将基于网格密度因子的多密度聚类算法引入路网提取,通过该方法对疑似特征点进行聚类来提取道路特征点,来构建道路几何网络,并通过对比分析取得了不错的实验结果。     

姜寨一期文化遗迹属性数据的关联规则挖掘研究

在基于Apriori算法的单维布尔关联规则基础上,以姜寨遗址主要遗迹的属性数据为研究对象,利用该算法对姜寨一期文化遗迹的属性数据进行了关联挖掘分析。首先进行房屋遗迹属性的关联挖掘,然后进行土坑葬等的属性数据挖掘,找到了聚落遗址属性数据之间隐含的关系,为聚落考古遗址的资料分析提供了一种新技术。     

基于拉格朗日分解算法的SAR图像混合像元分解

为解决与光学遥感图像不同的合成孔径雷达(SAR)图像中存在大量混合像元的问题,本文提出了一种基于拉格朗日分解算法的SAR图像混合像元分解的方法,结合相关内容中具体定理的证明,文中给出拉格朗日分解算法用于SAR图像混合像元分解的系统的求解方法.用人工模拟SAR图像和ENVISAT SAR图像进行实验,结果表明拉格朗日分解算法的混合像元分解结果明显优于非约束类神经网络(文中实验以BP神经网络为例)的分解结果.     

元启发式搜索策略在构造模糊分类系统中的应用

论述了使用模拟退火元启发式搜索策略构造模糊分类系统的过程,目的是利用模拟退火原理研制一种精确的模糊分类器,改善与分类问题有关的搜索空间探索与发掘的性能,找到模糊if-then规则的优化集。算法可以从输入数据集中抽取精确的模糊分类规则,并在若干不同预定义类中将其应用于对新数据实例的分类。     

K-means算法复杂度的能量分析方法

传统的算法复杂度分析方法重点对算法的内在流程进行分析,而且对于数据挖掘时具有很大不确定性,执行时间不能准确确定.用物理学原理从能量的角度对数据挖掘中的经典聚类算法K-means进行分析,并从算法的本质上推导出其复杂度下限,推导出该算法能优化到的极限值.     

基于粗糙集理论滑坡影响因子评价研究——以三峡库区青干河流域为例

运用地理信息系统和遥感技术,从LandsatTM遥感图像获取了一系列滑坡及其影响因子数据。结合粗糙集理论,对三峡库区秭归县青干河流域滑坡发生的影响因子进行了分析,提取了一组基本的滑坡影响条件属性因子,并导出了基于该因子集合的判断滑坡与非滑坡的规则集。研究结果表明,所选择的坡度、高程、斜坡类型、植被指数和岩石地层单元等5个条件属性因子对滑坡是重要的影响因素(核);由粗糙集生成的对预测滑坡相对较有价值的11条决策规则中,3条主要决策规则可作为滑坡影响因子的评价规则。     

基于IC卡综合换乘信息的公交乘客上车站点推算

现有研究在缺少公交车运营信息的情况下,利用公交线间正交换乘信息的方法来识别公交车持卡乘客的上车站点,但在实际运用中很多班次无正交换乘的乘客,容易导致公交乘客上车站点匹配困难。因此,本文提出了一种基于IC卡综合换乘信息的公交乘客上车站点推算方法,该方法充分利用IC卡数据中的综合换乘信息（公交线间的正交和非正交换乘信息、地铁和公交线间的换乘信息）与公交网数据确定班次行驶方向,对班次内的乘客进行分组,充分利用综合换乘信息确定基准组及其对应的上车站点;然后,通过最小偏差规则匹配待定组的上车站点,实现公交乘客上车站点的推估。利用换乘信息确定班次行驶方向弥补了现有研究无法确定班次行驶方向的不足,使公交乘客上车站点推算方法更科学;最后,基于2011年8月的“深圳通”IC卡数据进行实例分析,对比只利用正交换乘信息确定的基准组数量和利用综合换乘信息确定的基准组数量,结果表明：该方法可使确定上车站点的组数占总组数的比值提高,克服了只利用正交换乘信息推算上车站点方法中存在的单个班次无基准组从而无法进行站点匹配的困难。本文方法比只利用正交换乘信息匹配站点,具有更高的可行性与准确率。     

基于双重逆极限空间的地貌信息数据挖掘方法

为了挖掘不完备的地貌数据信息,将地貌信息描述为拓扑空间的形式,从逆极限定义出发,利用映射诱导法建立与原地貌信息空间拓扑同构的双重逆极限空间作为目标信息空间,然后利用拓扑传递性分析原地貌信息空间与目标信息空间的拓扑相似度,实现不完备的地貌信息空间数据挖掘.本文利用GIS软件,结合地貌的坡度、坡向等地貌特征因子分别模拟了地貌信息数据挖掘前后的模型并进行了对比,结果表明此方法是可行的.     

基于力学思想的空间聚类有效性评价

从力学的角度来考虑空间聚类问题,并结合地理学基本规律提出了一种基于力学思想的空间聚类有效性评价指标(简称SCV)。实验分析表明,本文提出的评价指标能够更准确、高效地对二维地理空间数据的硬聚类结果进行有效性评价。     

浅谈地理信息系统的数据挖掘

一、DM在GIS中的应用 DM（Data Mining数据挖掘）是指把人工智能、机器学习与数据库等技术结合起来,由计算机自动的从数据库或数据仓库中的大量数据中揭示出隐含的、先前未知的并具有潜在价值的信息或模式,以解决数据量大而知识贫乏这一困扰专家系统（ES）的知识瓶颈问题的非平凡过程。这一概念一经提出,立即引起了学者、软件开发商和用户的极大兴趣,