书籍详情
空间数据挖掘视角
作者：王树良 著
出版社：测绘出版社
出版时间：2008-10-01
ISBN：9787503018800
定价：¥27.00
购买这本书可以去
内容简介
《空间数据挖掘视角》是一个从海量数据中概括知识的不确定过程，不同用户在不同条件下有着不同的挖掘要求。《空间数据挖掘视角》提出空间数据挖掘视角，描述不同的数据挖掘需求，实现从相同数据向多种知识的变粒度挖掘。空间数据挖掘不确定性的内因和外因，决定了在空间数据挖掘视角中管控不确定性的技术。云模型集成模糊性和随机性，数据场刻画数据的自然拓扑关系，能够实现定性定量的相互转换。滑坡监测数据挖掘视角和网络化数据挖掘视角表明，空间数据挖掘视角发现的多粒度知识可以满足不同用户的需求。《空间数据挖掘视角》可为空间数据挖掘、地球空间信息科学、计算机科学和复杂网络等研究提供参考，亦可作为相应专业的高年级本科生或研究生的教学用书。
作者简介
王树良，男，1975年生，武汉大学和香港理工大学博士，清华大学博士后，武汉大学教授，全国优秀博士学位论文、教育部新世纪优秀人才、霍英东青年教师二等奖、IBM教师奖、Citibank教师奖、湖北省“五四”金质奖章等荣誉获得者。担任International Journal of System Science、International Journal of Data Mining and Data Warehousing等Guest Editor，Data Mining and Knowledge Discovery、ISPRS Journal of Photogrammetric and Remote Sensing等Paper Reviewer，Advanced Data Mining and Applications学术委员会合作主席。已发表为SCI等收录论文多篇，Springer等为其出版专著3部。主要研究空间数据挖掘。
目录
第1章 空间数据挖掘的同异性
1．1 空间数据过量而难用
1．1．1 空间数据的过量增长
1．1．2 空间数据的处理滞后
1．1．3 空间数据难用的后果
1．2 空间数据挖掘的产生
1．2．1 学科交叉的产物
1．2．2 研究应用的热点
1．2．3 不确定的空间数据挖掘
1．3 空间数据挖掘的概念
1．4 空间数据挖掘的同异性分析
1．4．1 同对象异数据
1．4．2 同数据异结构
1．4．3 同数据异需求
1．4．4 同数据异用户
1．4．5 同数据异方法
1．4．6 同数据异知识
1．4．7 同知识异表达
1．4．8 同数据异拓扑
1．5本章小节
第2章 空间数据挖掘视角原理
2．1 空间数据挖掘视角的概念
2．1．1 空间数据挖掘的多视角理解
2．1．2 空间数据挖掘的视角因素
2．1．3 空间数据挖掘的多视角需求
2．1．4 空间数据挖掘的变视角需求
2．2 空间数据挖掘视角的不确定性分析
2．2．1 客观存在和主观挖掘
2．2．2 不确定性的基本成因
2．2．3 不确定性的内在特性
2．2．4 不确定性的外在表现
2．2．5 不确定性的测度参数
2．3 空间数据挖掘视角的影响要素
2．3．1 尺度
2．3．2 粒度
2．3．3 层次
2．4 空间数据挖掘视角的机理空间
2．4．1 概念空间
2．4．2 特征空间
2．4．3发现状态空间
2．5 空间数据挖掘视角的基本算法
2．6 本章小结
第3章 空间数据挖掘视角的技术
3．1 空间数据挖掘视角技术的集合论分析
3．1．1 确定集
3．1．2 概率
3．1．3 模糊集
3．1．4 粗集
3．1．5 其他
3．1．6 随机和模糊的对比
3．2 云模型
3．2．1 云模型基本概念
3．2．2 云模型的数字特征
3．2．3 云模型的类型
3．2．4 虚拟云模型
3．2．5 云发生器
3．2．6 云变换及其归整
3．2．7 云模型的不确定推理
3．3 数据场
3．3．1 物理场的启发
3．3．2 样本观测数据
3．3．3 样本数据的能量
3．3．4 数据场的概念
3．3．5 数据场的性质
3．3．6 数据场的场强
3．3．7 数据场的势
3．3．8 数据场的可视化
3．4 云模型和数据场的协同
3．5 本章小结
第4章 滑坡监测数据挖掘视角
4．1 滑坡监测视角分析
4．1．1 滑坡灾害
4．1．2 滑坡监测
4．1．3 数据分析的不足
4．1．4 数据场和云模型的可用性
4．1．5 基本滑坡监测数据挖掘视角
4．1．6 视角挖掘算法
4．2 同点异时同向的视角挖掘
4．2．1 X方向的数字特征
4．2．2 数字特征的定性诠释
4．2．3 y、H方向的数字特征
4．2．4 数字特征可视化
4．3 异点同时同向的视角挖掘
4．3．1 滑坡变形概率分布密度辐射估计
4．3．2 异点同时同向的数字特征
4．4 异点异时同向的视角挖掘
4．4．1 不同断面的数字特征值
4．4．2 滑坡的数字特征值
4．5 基于数据场的例外挖掘
4．5．1 不同方向上的例外
4．5．2 整体例外
4．5．3 规则+例外
4．6 宝塔滑坡形变监测的知识及讨论
4．6．1 发现的知识
4．6．2 挖掘机理
4．6．3 知识检验
4．6．4 方法讨论
4．7 本章小结
第5章 网络化数据挖掘视角
5．1 从网络到复杂网络
5．1．1 网络
5．1．2 网络拓扑
5．1．3 规则网络和随机网络
5．1．4 小世界网络
5．1．5 无标度网络
5．1．6 社团结构
5．2 网络化数据挖掘
5．2．1 网络化数据挖掘的概念
5．2．2 网络化数据挖掘的内容
5．3 网络化数据挖掘的社团发现算法
5．3．1 图分割
5．3．2 分级聚类
5．3．3 Kernighan-Lin算法
5．3．4 谱平分法
5．3．5 GN算法
5．3．6 Newman快速算法
5．4 网络化数据挖掘的社团发现视角
5．4．1 人工随机网络
5．4．2 空手道俱乐部成员间的关系网
5．4．3 海豚关系网
5．4．4 电影演员合作网
5．5 本章小节
第6章 思考与结语
6．1 空间数据挖掘视角的思考
6．2 空间数据挖掘视角的决策思考
6．3 结语
参考文献
1．1 空间数据过量而难用
1．1．1 空间数据的过量增长
1．1．2 空间数据的处理滞后
1．1．3 空间数据难用的后果
1．2 空间数据挖掘的产生
1．2．1 学科交叉的产物
1．2．2 研究应用的热点
1．2．3 不确定的空间数据挖掘
1．3 空间数据挖掘的概念
1．4 空间数据挖掘的同异性分析
1．4．1 同对象异数据
1．4．2 同数据异结构
1．4．3 同数据异需求
1．4．4 同数据异用户
1．4．5 同数据异方法
1．4．6 同数据异知识
1．4．7 同知识异表达
1．4．8 同数据异拓扑
1．5本章小节
第2章 空间数据挖掘视角原理
2．1 空间数据挖掘视角的概念
2．1．1 空间数据挖掘的多视角理解
2．1．2 空间数据挖掘的视角因素
2．1．3 空间数据挖掘的多视角需求
2．1．4 空间数据挖掘的变视角需求
2．2 空间数据挖掘视角的不确定性分析
2．2．1 客观存在和主观挖掘
2．2．2 不确定性的基本成因
2．2．3 不确定性的内在特性
2．2．4 不确定性的外在表现
2．2．5 不确定性的测度参数
2．3 空间数据挖掘视角的影响要素
2．3．1 尺度
2．3．2 粒度
2．3．3 层次
2．4 空间数据挖掘视角的机理空间
2．4．1 概念空间
2．4．2 特征空间
2．4．3发现状态空间
2．5 空间数据挖掘视角的基本算法
2．6 本章小结
第3章 空间数据挖掘视角的技术
3．1 空间数据挖掘视角技术的集合论分析
3．1．1 确定集
3．1．2 概率
3．1．3 模糊集
3．1．4 粗集
3．1．5 其他
3．1．6 随机和模糊的对比
3．2 云模型
3．2．1 云模型基本概念
3．2．2 云模型的数字特征
3．2．3 云模型的类型
3．2．4 虚拟云模型
3．2．5 云发生器
3．2．6 云变换及其归整
3．2．7 云模型的不确定推理
3．3 数据场
3．3．1 物理场的启发
3．3．2 样本观测数据
3．3．3 样本数据的能量
3．3．4 数据场的概念
3．3．5 数据场的性质
3．3．6 数据场的场强
3．3．7 数据场的势
3．3．8 数据场的可视化
3．4 云模型和数据场的协同
3．5 本章小结
第4章 滑坡监测数据挖掘视角
4．1 滑坡监测视角分析
4．1．1 滑坡灾害
4．1．2 滑坡监测
4．1．3 数据分析的不足
4．1．4 数据场和云模型的可用性
4．1．5 基本滑坡监测数据挖掘视角
4．1．6 视角挖掘算法
4．2 同点异时同向的视角挖掘
4．2．1 X方向的数字特征
4．2．2 数字特征的定性诠释
4．2．3 y、H方向的数字特征
4．2．4 数字特征可视化
4．3 异点同时同向的视角挖掘
4．3．1 滑坡变形概率分布密度辐射估计
4．3．2 异点同时同向的数字特征
4．4 异点异时同向的视角挖掘
4．4．1 不同断面的数字特征值
4．4．2 滑坡的数字特征值
4．5 基于数据场的例外挖掘
4．5．1 不同方向上的例外
4．5．2 整体例外
4．5．3 规则+例外
4．6 宝塔滑坡形变监测的知识及讨论
4．6．1 发现的知识
4．6．2 挖掘机理
4．6．3 知识检验
4．6．4 方法讨论
4．7 本章小结
第5章 网络化数据挖掘视角
5．1 从网络到复杂网络
5．1．1 网络
5．1．2 网络拓扑
5．1．3 规则网络和随机网络
5．1．4 小世界网络
5．1．5 无标度网络
5．1．6 社团结构
5．2 网络化数据挖掘
5．2．1 网络化数据挖掘的概念
5．2．2 网络化数据挖掘的内容
5．3 网络化数据挖掘的社团发现算法
5．3．1 图分割
5．3．2 分级聚类
5．3．3 Kernighan-Lin算法
5．3．4 谱平分法
5．3．5 GN算法
5．3．6 Newman快速算法
5．4 网络化数据挖掘的社团发现视角
5．4．1 人工随机网络
5．4．2 空手道俱乐部成员间的关系网
5．4．3 海豚关系网
5．4．4 电影演员合作网
5．5 本章小节
第6章 思考与结语
6．1 空间数据挖掘视角的思考
6．2 空间数据挖掘视角的决策思考
6．3 结语
参考文献
猜您喜欢
