基于U-AHC的不确定co-location模式挖掘研究

基于U-AHC的不确定co-location模式挖掘研究

论文摘要

不确定数据在一些重要应用领域中是固有存在的,如传感器网络和移动物体追踪。随着数据采集和处理技术的进步,人们对数据的不确定性的认识也逐步深入。基于不确定数据进行数据挖掘和知识发现引起了很多学者的兴趣,这种更加符合客观实际的理论方法越来越成为近年来研究的热点。但是在不确定数据上使用传统的数据挖掘方法会使挖掘结果出现严重偏差,甚至是错误的,根本不能满足用户的需求。所以如何快速、方便、有效地分析不确定数据库中大量的不确定数据以发现潜在的、有价值的和人们感兴趣的信息变得越来越重要。空间co-location模式挖掘寻找给定空间对象之间的关联关系,是空间数据挖掘的重要研究方面。与在确定数据上挖掘co-location模式不同,不确定数据上的co-location模式将概率密度函数引入到数据模型中来描述不确定对象位置的不确定性,并用期望距离来衡量两个不确定对象的距离。本文首先分析和总结了不确定数据挖掘的方法,介绍当前不确定数据在聚类、分类、关联规则挖掘和异常点检测等方面的研究成果。然后介绍了co-location模式的相关概念,详细说明co-location模式挖掘的过程,并介绍了经典join-based算法和order-clique-based算法。其次在总结co-location模式挖掘方法的基础上,提出一种基于凝聚层次聚类(AHC)算法的co-location模式挖掘算法,这个算法是在聚类结果的基础上通过计算满足粗邻近关系的簇来把一部分大于距离阈值的实例进行剪枝,实验证明这种方法是正确的而且是高效的。最后是把这种算法的思想扩展到不确定数据中去,即把凝聚层次聚类算法扩展到不确定的凝聚层次聚类算法(U-AHC),并引入期望平方距离这种简化思想使计算两个不确定对象的距离时更加省时高效。再在聚类结果的基础上进一步挖掘不确定数据的co-location模式。论文最后是总结部分,在对本文主要内容作简要回顾的同时,还对未来的研究做出展望。

论文目录

  • 摘要
  • Abstract
  • 目录
  • 第一章 绪论
  • 1.1 研究背景及现状
  • 1.2 研究目的与意义
  • 1.3 论文主要创新点
  • 1.4 论文组织结构
  • 第二章 数据挖掘的不确定性概述
  • 2.1 数据挖掘概述
  • 2.1.1 数据挖掘的概念
  • 2.1.2 数据挖掘的任务
  • 2.1.3 数据挖掘的常用方法
  • 2.2 不确定数据的产生原因
  • 2.3 不确定数据的研究方法
  • 2.4 不确定数据挖掘的相关研究成果
  • 2.5 本章小结
  • 第三章 空间co-location模式挖掘
  • 3.1 空间co-location模式挖掘的相关概念
  • 3.2 空间co-location模式挖掘的相关工作
  • 3.3 co-location模式挖掘算法介绍
  • 3.3.1 join-based算法
  • 3.3.2 Order-Clique-based算法
  • 3.4 本章小结
  • 第四章 基于AHC的空间co-location模式挖掘
  • 4.1 新算法思想概述
  • 4.2 凝聚层次聚类(AHC)算法介绍
  • 4.3 AHC-based算法
  • 4.4 算法的完整描述
  • 4.5 实验分析
  • 4.6 本章小结
  • 第五章 基于不确定数据的凝聚层次聚类算法
  • 5.1 不确定数据的相关定义
  • 5.2 期望距离的简化思想
  • 5.3 U-AHC算法
  • 5.4 实验分析
  • 5.5 本章小结
  • 第六章 基于U-AHC的不确定co-location模式挖掘
  • 6.1 UJoin-based算法
  • 6.2 UAHC-based算法
  • 6.3 实验分析
  • 6.3.1 模拟数据实验
  • 6.3.2 真实数据实验
  • 6.4 本章小结
  • 第七章 总结与展望
  • 7.1 论文总结
  • 7.2 未来研究方向
  • 参考文献
  • 研究生期间发表的论文
  • 致谢
  • 相关论文文献

    • [1].面向校园超市交易数据的判别模式挖掘与分析[J]. 电子制作 2020(10)
    • [2].对比模式挖掘研究进展[J]. 科研信息化技术与应用 2017(05)
    • [3].对比模式挖掘研究进展[J]. 网络安全技术与应用 2017(01)
    • [4].空间同位模式挖掘研究进展[J]. 地理空间信息 2013(06)
    • [5].基于时空数据的城市人流移动模式挖掘[J]. 计算机科学 2020(10)
    • [6].基于自适应分段粒度的时空模式挖掘方法[J]. 计算机应用研究 2018(03)
    • [7].时空轨迹数据智能处理与模式挖掘技术研究[J]. 电信快报 2018(07)
    • [8].用户日常频繁行为模式挖掘[J]. 国防科技大学学报 2017(01)
    • [9].时间序列周期模式挖掘算法分析[J]. 中国管理信息化 2016(03)
    • [10].基于频繁特征模式挖掘的期货市场单边运行深度的预测[J]. 中国管理信息化 2015(17)
    • [11].基于频繁项集的条件模式挖掘[J]. 计算机工程与设计 2009(16)
    • [12].基于显露模式挖掘的反恐情报分类对比分析[J]. 现代情报 2020(05)
    • [13].基于到达时间的行为模式挖掘[J]. 计算机与数字工程 2020(09)
    • [14].面向大数据的图模式挖掘概率算法[J]. 计算机应用研究 2020(12)
    • [15].交通数据的时空并置模糊拥堵模式挖掘[J]. 清华大学学报(自然科学版) 2020(08)
    • [16].分布式事务型内嵌树模式挖掘[J]. 武汉大学学报(理学版) 2018(06)
    • [17].基于密度约束和间隙约束的对比模式挖掘[J]. 计算机科学 2018(04)
    • [18].垂直模式类高效用模式挖掘的改进算法[J]. 微型机与应用 2016(22)
    • [19].时空轨迹群体运动模式挖掘研究进展[J]. 南京航空航天大学学报 2016(05)
    • [20].特定空间对象同位模式挖掘算法研究[J]. 电脑知识与技术 2015(04)
    • [21].多粒度时间文本数据的周期模式挖掘算法[J]. 计算机科学 2013(S2)
    • [22].基于密度约束的对比模式挖掘[J]. 计算机科学 2019(12)
    • [23].一种新的基于时空轨迹的汇合模式挖掘算法[J]. 南京大学学报(自然科学) 2018(01)
    • [24].基于时间序列的模式挖掘研究[J]. 科技资讯 2014(17)
    • [25].顾及距离衰减效应的网络空间同位模式挖掘[J]. 测绘科学 2020(06)
    • [26].面向移动时空轨迹数据的频繁闭合模式挖掘[J]. 西安科技大学学报 2016(04)
    • [27].基于大数据的物联网用户行为模式挖掘[J]. 计算机技术与发展 2019(12)
    • [28].军事情报监视与侦察系统中一种目标同现模式挖掘算法[J]. 海军工程大学学报 2019(06)
    • [29].基于网络的时空同现模式挖掘算法[J]. 计算机科学 2018(03)
    • [30].点集数据不规则形状时空异常聚类模式挖掘研究[J]. 武汉大学学报(信息科学版) 2017(07)

    标签:;  ;  ;  ;  ;  

    基于U-AHC的不确定co-location模式挖掘研究
    下载Doc文档

    猜你喜欢