空间数据发掘与知识发现

　　本书以云理论、Rough集理论和归纳学习方法为主要研究方法，以GIS智能化分析和遥感图像的自动解译为主要应用目标，系统研究了空间数据发掘和知识发现的理论与方法。　数据发掘与知识发现（DataMiningandKnowledgeDiscovery）是20世纪90年代兴起的一门信息技术领域的前沿技术，它是在数据和数据库急剧增长远远超过人们对数据处理和理解能力的背景下产生的，也是数据库技术、人工智能技术、统计技术、可视化技术等发展融合的结果。其目的是从大量的、不完全的、有噪声的、模糊的数据中，提取隐含在其中的、人们先前不知道但又是潜在有用的信息和知识，为数据和数据库的处理和理解提供智能化、自动化的手段。空间数据发掘和知识发现（SpatialDataMiningandKnowledgeDiscovery，简称SDMKD）是从空间数据库中提取隐含的、用户感兴趣的空间的和非空间的模式和普遍特征的过程。同空间数据库管理系？臣焖骱筒檠龅男畔⑾啾龋占涫莘⒕蚣际醴⑾值闹妒且⒕丁⒏咚降牟⑶矣懈蟮募壑担环矫婵梢蕴岣呖占涫莘治龊陀τ玫闹悄芑剑硪环矫婵捎糜谥С忠８型枷竦淖远庖牒头掷嗍侗穑俳８杏隚IS的智能化集成。SDMKD既是“3S'’集成中的一项关键技术，也是“数字地球”技术系统中的重要内容。本书以云理论、Rough集理论和归纳学习方法为主要研究方法，GIS智能化分析和遥感图像的自动解译为主要应用目标，系统研究了空间数据发掘和知识发现的理论与方法。第1章介绍了数据发掘和知识发现的研究现状，以及遥感和GIS领域对知识发现的需求；第2章提出了空间数据发掘和知识发现的理论和技术框架，作为整个研究的方法论指导；第3章对云理论中的云模型、虚拟云、云变换、不确定性推理等进行了系统研究和发展，提出了一系列新的模型和算法，为SDMKD中概念和知识表达、定量定性转换、从数据中生成概念和概念层次结构、属性泛化等基础性问题提供了新的有效的解决方法；第4章将云理论应用于空间概念表达，从空间数据库发掘关联规则以及空间数据不确定性查询等；第5章将Rough集理论引入GIS领域，归纳整理出Rough集理论用于GIS中属性分析和知识发现的一整套方法；第6章研究了归纳学习方法在空间数据库的实现以及在遥感图像分类和GIS智能化分析中的应用，提出了一套基于归纳学习的遥感图像分类技术和流程，提出了一种灵活通用的探测性归纳学习方法；第7章提出了一种基于数学形态学的空间数据聚类算法；第8章是全书总结与展望。1995年，我的导师李德仁院士和李德毅院士高瞻远瞩，共同携我步人数据发掘与知识发现这一前沿和热点领域。在论文研究过程中，两位导师倾注了大量心血。李德仁教授百忙之中，花费了大量时间对方法研究和应用试验给予具体指导，李德毅教授在云理论及其在数据发掘中的应用方面经常性地给予指导，并在很多细节问题上同我深入讨论。在本书出版之际，向他们表示衷心的感谢和诚挚的敬意！在近几年的学习和研究过程中，原武汉测绘科技大学信息工程学院、测绘遥感信息工程国家重点实验室、研究生部以及作者所在单位国土资源部航空物探遥感中心的许多老师、领导、同学和同事给予了许多关怀、指导和帮助，在此表示衷心的感谢！本项研究，得到了测绘遥感信息工程国家重点实验室基金项目（编号：WKL（97）0302）和国家自然科学基金优秀国家重点实验室研究项目（编号：40023004）的资助。本书的研究虽然取得了一些进展，但对于空间数据发掘和知识发现这一崭新的领域来说无疑是初步的。由于水平所限，书中可能有许多疏漏和不足之处，敬请批评和指正。

　　数据发掘与知识发现（DataMiningandKnowledgeDiscovery）是20世纪90年代兴起的一门信息技术领域的前沿技术，它是在数据和数据库急剧增长远远超过人们对数据处理和理解能力的背景下产生的，也是数据库技术、人工智能技术、统计技术、可视化技术等发展融合的结果。其目的是从大量的、不完全的、有噪声的、模糊的数据中，提取隐含在其中的、人们先前不知道但又是潜在有用的信息和知识，为数据和数据库的处理和理解提供智能化、自动化的手段。

第1章 引言
1．1 遥感与田S的发展现状
1．1．1 遥感与GIS的发展现状
1．1．2 遥感与GIS面临的困难
1．2 数据发掘和知识发现国内外研究现状
1．2．1 数据发掘和知识发现产生的背景
1．2．2 数据发掘和知识发现的发展历程和现状
1．2．3 数据发掘和知识发现的主要研究内容
1．2．4 数据发掘和知识发现的研究方法与策略
1．2．5 数据发掘和知识发现面临的困难
l．3 本书主要研究内容
第2章 空间数据发掘和知识发现的理论与技术框架
2．1 GIS与遥感中的数据、信息和知识
2．2 空间数据发掘和知识发现的定义与特点
2．3 空间数据仓库与空间数据发掘
2．4 发现状态空间理论及其扩展
2．5 从空间数据库中可发现的知识类型
2．6 空间数据发掘和知识发现中的知识表达方法
2．7 空间数据发掘和知识发现在GIS与遥感中的应用
2．8 空间数据发掘和知识发现的方法
2．9 空间知识发现系统的体系结构和开发策略
2．10 本章小结
第3章 云理论及其扩展
3．1 引言
3．2 云模型及其扩展
3．2．1 云的基本概念
3．2．2 云的数字特征
3．2．3 正态云模型
3．2．4 云发生器
3．2．5 正态云的形态特征解析
3．2．6 二维和多维正态云模型
3．2．7 二维正态云发生器
3．2．8 r云模型、三角云模型及梯形云模型
3. 3 虚拟云
3．3．1 浮动云
3．3．2 综合云
3．3．3 分解云
3．3．4 几何云
3．4 云运算
3．4．1 代数运算
3．4．2 逻辑运算
3．4．3 语气运算
3．5 云变换
3．5．1 云变换的基本思想
3．5. 2 —种启发式云变换算法
3．6 基于云理论的不确定性推理
3．6．1 单规则推理
3．6．2 多规则推理
3．7 本章小结
第4章 云理论在空间数据发掘和不确定性处理中的应用
4．1 基于云模型的空间概念表达
4．2 基于云模型的知识表达
4．3 基于云模型的概念生成方法
4．4 云模型与Apriori算法相结合从空间数据库发现关联知识
4．4．1 发现关联知识问题的描述
4．4．2 Apriori算法
4．4．3 基于云模型的属性空间软划分和概念提升
4．4．4 云模型与Apriori算法相结合
4．4．5 从空间数据库发现关联规则的试验
4．4．6 发掘空间关联知识的进一步讨论
4．5 基于云模型的空间数据库不确定性查询
4．5．1 基于云模型的GIS不确定性查询
4．5．2 不确定性查询结果的表示
4．5．3 不确定性查询试验
4．6 本章小结
第5章 Rough集理论及其在GIS属性分析和知识发现中的应用．
5．1 Rough集的基本概念和性质
5．1．1 Rough集的基本概念
5．1．2 Rough集下近似和上近似的基本性质
5．1．3 Rough集中的成员关系
5．1．4 不精确性的数字表征
5．1．5 不精确性的拓扑特征化(Rough集的分类)
5．1. 6 分类的近似
5．1．7 集合的粗略相等和粗略包含
5．2 知识、知识库与知识表达系统
5．2．1 知识与知识库
5．2．2 知识的依赖
5．2．3 知识表达系统
5．3 属性值系统
5．4 属性的依赖
5．5 属性的简化与属性的核
5．6 属性的重要性
5．7 辨别矩阵
5．8 决策表分析与简化
5．8．1 决策表的定义及性质
5．8．2 决策表的简化与最小决策算法的生成
5．9 云理论与Rough集方法相结合用于知识发现和推理
5．10 本章小结
第6章 归纳学习及其在空间数据发掘中的应用
第7章 空间数据聚类
第8章 总结与展望