空间信息系统原理10-2.ppt

2．5 NII NSII 2．6 SDW NSII 一方面，SDW是NSII中的重要组成部分，它负责NSII能够提供的空间信息的存储和管理。 另一方面，SDW的作用的最大发挥，离不开NSII的其他部分，例如通讯网络为SDW提供了基本的通讯条件。 / / 3．1 （空间）数据挖掘的出现趋势 3．2 （空间）数据挖掘的概念 3．3 （空间）数据挖掘的分类 3．4 （空间）数掘挖掘的体系结构 3．5 空间数据挖掘的可以挖掘的知识类型 3．6 空间数据挖掘的功能－可以挖掘的6种模式 3．7 空间数据挖掘的方法 3．8 空间数据挖掘系统的结构 3．9 空间数据挖掘近年主要研究进展 3．10 空间数据挖掘的发展方向 3．数据挖掘和空间数据挖掘 3. 1（空间）数据挖掘的出现趋势 因为需要 3. 1（空间）数据挖掘的出现趋势 （1）由于近年来空间信息技术领域内观测技术、网络技术的飞速发展以及台站建设的普及和不断完善,包括资源、环境、灾害的各种空间数据呈指数级数增长; （2）专职处理空间数据的GIS在近十几年来虽得到了广泛的应用，并在空间数据的存储、查询以及显示等方面有了较快的发展，但面对数据量日益增长和种类繁多的空间数据，因其空间分析多以图形操作为主(如缓冲区操作,空间叠加,邻近分析以及空间连接等等)，故而在空间信息的深入提取和知识发现等方面的功能仍相对薄弱。 3．2 数据挖掘概念 3．2. 1 数据挖掘概念 数据挖掘(Data Mining，简称DM)是从数据集中识别出有效的、新颖的、潜在有用的、并最终可理解的模式非平凡过程。 在上述的定义中，过程通常指多阶段的一个过程，涉及数据准备、模式搜索、知识评价，以及反复的修改求精；该过程要求是非平凡的，即要有一定程度的智能性、自动性(例如:仅仅给出所有数据的总和就不能算作是一个发现过程)；有效性是指发现的模式对于新的数据仍保持有一定的可信度；新颖性要求发现的模式应该是从前未知的；潜在有用性是指发现的知识将来有实际效用,如用于决策支持系统里可提高经济效益；最终可理解性要求发现的模式能被用户理解,目前它主要是体现在简洁性上。上述的有效性、新颖性、潜在有用性和最终可理解性综合在一起可称之为兴趣性(Interestingness)。 3．2．2 数据挖掘与知识发现的关系 有时，人们常常把DM和KDD(Knowledge Discovery in Databases)等同起来。一般说来，KDD侧重于目的和结果，多用于人工智能领域；而DM侧重于处理过程和方法，多用于数据库领域。也有人将两者结合起来使用，称为数据挖掘和知识发现 (Data Mining asn Knowledge Discovery, 简称ＤＭＫＤ)技术。1995年在加拿大召开的第一届知识发现和数据开采（也称数据挖掘）国际学术会议上，KDD被认为从数据中发现有用知识的整个过程，知识即意味着数据元素之间的关系和模式。数据开采被认为是KDD过程中的一个特定步骤，它是应用具体算法从数据中提取模式和知识。 3．2．2 数据挖掘与知识发现的关系 知识发现过程 3. 2. 3 数据挖掘与OLAP的关系 一种观点，认为OLAP和数据挖掘是不交的。OLAP是数据汇总/聚集工具，它帮助简化数据分析；而数据挖掘自动发现隐藏在大量数据中的隐含模式和有趣知识。OLAP工具的目标是简化和支持交互数据分析，而数据挖掘的目标是尽可能自动处理，尽管允许用户指导这一过程。同时，另一种更广泛的观点可能被接受：数据挖掘包含数据描述和数据建模。由于OLAP系统可以提供数据仓库中数据的一般描述，OLAP的功能基本上是用户指挥的汇总和比较。这些尽管有限，但都是数据挖掘功能。同样根据这种观点，数据挖掘要比简单的OLAP操作宽得多，因为它不仅执行数据汇总和比较，而且执行关联，分类，预测，聚类，时间序列分析和其他数据分析任务。而且，数据挖掘不限于分析数据仓库中得数据。它可以分析现存得，比数据仓库提供得汇总数据粒度更细得数据。它也可以分析事务，文本的，空间的和多媒体数据，这些数据很难用现有的多维数据库技术建模。在这种意义下，数据挖掘涵盖的数据挖掘功能和处理的数据复杂性要比OLAP大得多。 * * 空间数据仓库和数据挖掘 1. 数据仓库和空间数据仓库 2. 空间信息基础设施 3. 数据挖掘和空间数据挖掘 1．数据仓库和空间数据仓库 1．1 数据仓库 1．1．1 数据仓库产生趋势 1．1．2 数据仓库概念 1. 1. 3 数据仓库特点 1．1．4 数据仓库应用 1．2 空间数