论文部分内容阅读
空间co-location模式代表一组空间对象，这些对象的实例在空间中频繁的关联。目前人们已经对空间co-location模式挖掘有了大量的研究，其中主要包括两个方向:关于确定数据与不确定数据的空间co-location模式挖掘研究，然而关于模糊对象空间co-location模式挖掘研究工作及其成果很少。模糊对象数据在现实生活中到处存在，而确定数据和不确定数据的co-location挖掘算法不适用于模糊对象数据，因此需要有新的算法来研究模糊对象的空间co-location模式挖掘。本文主要研究模糊对象的紧凑co-location模式挖掘算法及其改进算法，内容如下: 首先概括了co-location模式挖掘和基于模糊对象数据的空间co-location模式挖掘的研究成果，并介绍了空间co-location模式挖掘相关的概念、性质和定理以及模糊理论的相关概念和性质。 紧接着，提出Mevent-tree算法来挖掘模糊对象的极大co-location模式，通过为每个对象构建空间对象树，从而得到候选模式，然后为候选模式集构建HUT树，在HUT树中从阶数最大的候选模式开始到阶数为2终止，深度优先搜索极大co-location模式并在得到极大模式后对HUT树剪枝。接着提出两个剪枝算法，并用实验验证Mevent-tree算法和剪枝算法的效果。 然后，提出U-HUT算法来挖掘模糊对象的top-k闭合co-location模式，在得到候选模式后，构建U-HUT树，在U-HUT树中从2阶候选模式开始广度优先搜索U-HUT树，得到top-k闭合co-location模式的同时对U-HUT树剪枝。之后，提出了改进算法进一步对U-HUT树剪枝。最后用实验验证U-HUT算法及其改进算法的效率和效果。 最后对本文工作做了简要总结，指出了不足以及未来的研究方向。