李德仁院士空间数据挖掘和知识发现PPT.ppt

最大方差法连续数据离散化 世界各国家和地区“人口增长率”离散化结果 空间概念层次结构生成方法 基于云模型的一系列概念层次结构生成方法 云变换、基于黄金分割率的方法、虚云 最大方差法离散化与云模型相结合 根据空间数据编码体系生成 根据面向对象的类结构生成 滑坡监测数据的利用困难（1） 滑坡监测关心的是，滑坡监测的好不好？滑坡的变形水平怎样？根据监测滑坡会否发生？等问题。常用自然语言发问，回答也当然最好是自然语言，可是，监测数据是定量的，自然语言是定性的，还有随机性和模糊性，怎样把定量的监测数据和定性的语言、形象的图形结合起来，并实现相互转换呢？怎样把每个监测点的数据作用映射到整个滑坡体上？怎样反映每个监测数据对滑坡监测结论的不同作用呢？ 滑坡灾害涉及的学科背景很多，不可能要求所有的决策者都对每个相关学科了如执掌。那么，如何解决这个“决策急需而学科背景不足”的矛盾呢？ 采用云模型和数据场。 滑坡监测数据的利用困难（2） 滑坡监测的结论，可能有不同的要求和应用层次。高层的决策者是宏观的，把握方向，可能只是一句话，一幅图；中层的决策者是中观的，带有一定的技术性，可能对滑坡每个断面的变形感兴趣，内容要求可能较多；底层的决策者，可能是技术型的，就要具体到每个监测点。那么，怎样从滑坡监测数据中发现这些不同层次的监测结论呢？发现后，又如何表达出来呢？ 采用空间数据挖掘和知识发现解决。决策是从理论到实践，对应一个自知识而数据的决策层次，而空间数据挖掘和知识发现是从实践到理论，对应一个自数据而知识的认知层次。基于多个不同的视角，空间数据挖掘和知识发现可把每个定量的精确监测数据的作用，在不同的认识层次上浓缩到定性的决策思维中。 滑坡位移形变的泛概念树 X方向的监测数据辐射势场（k=3） Y方向的监测数据辐射势场（k=3） H方向的监测数据辐射势场（k=3） 来自监测数据辐射势场的知识 从X、Y、H方向的三辐监测数据辐射势场图可以很直观地看到， X方向位移dx的例外是监测点BT21（向南的负位移，相对于其他监测点非常明显） Y方向位移dy的例外是BT14和BT21（BT14为向北的正位移，BT21为向南的负位移，相对于其他监测点明显，且BT21的例外幅度大于BT14） H方向位移dh的例外是BT31（向下的负位移，相对于其他监测点不是十分明显） dx的例外幅度最大，而dh的例外幅度最小，几乎不能称之为例外。 微观视角概率密度辐射估计（X方向） 断面一的监测点在不同日期于X方向的位移概率分布密度 断面二的监测点在不同日期于X方向的位移概率分布密度 断面三的监测点在不同日期于X方向的位移概率分布密度 微观视角的dx数字特征及其定性诠释 数字特征 BT11 BT12 BT13 BT14 BT21 BT22 BT23 BT24 BT31 BT32 BT33 BT34 Ex -25 -22.1 -9.3 -0.3 -92.8 -27 -26.5 -20.5 -40.3 -22.9 -25 -20.9 位移水平 向南大 向南大 向南小 向南较小 向南非常大 向南较大 向南大 向南大 向南很大 向南大 向南大 向南大 En 18.1 19.4 8.8 3.7 66.4 20.8 21.6 20.2 28.4 18.7 22.2 20.7 形变离散 高 高 较低 较低 非常高 高 高 高 较高 低 高 高 He 19 41.7 8 6.7 145.8 21.1 53 27.4 92.2 38.2 26.4 32.8 监测水平 不稳定 很不稳定 较稳定 较稳定 非常不稳定 不稳定 很不稳定 较不稳定 非常不稳定 较不稳定 很不稳定 较不稳定 宝塔滑坡监测数据微观知识 宝塔滑坡监测数据微观知识解释 挖掘视角“同点异时同向”发现的是每个监测点的时间序列知识。 [1]南北方向（X方向），位移幅度非常大、位移之间离散程度非常高、监测水平也非常不稳定的，是断面二的监测点BT21；位移幅度较小、位移之间的离散程度较低、监测水平也较稳定的，是断面一的监测点BT14；监测点之间位移变化的范围为：断面二 断面三 断面一。[2] 东西方向（Y方向），向西位移幅度大、位移之间离散程度低、监测水平也较不稳定的，是断面二的监测点BT21；向西位移幅度较小、位移之间离散程度较低、监测水平也较稳定的，是断面三的监测点BT33。[3] 垂直方向（H方向），向下位移幅度大、位移之间离散度低、监测水平也稳定的，是断面三的监测点BT31；向下位移幅度较小、位移之间离散度低、监测水平也较稳定的，是断面一的监