Abstrato

Data Mining 2016: Aplicação de conjuntos brutos e teoria de evidência de Dempster-Shafer na mineração de dados espaciais - Iftikhar U Sikder - Cleveland State University

Iftikhar U Sikder

  Este artigo apresenta uma nova abordagem para a classificação espacial e previsão de classes de cobertura do solo utilizando conjuntos aproximados e teoria da evidência. Em particular, apresenta uma abordagem para caracterizar a incerteza em problemas de classificação supervisionada multifonte. A estrutura evidencial da classificação espacial baseia-se nas noções de relações de equivalência de conjunto aproximado. Permite expressar conceitos espaciais em termos de espaço de aproximação onde uma classe de escolha é frequentemente aproximada através da partição da região limite. Uma vantagem importante desta abordagem é que permite incorporar o contexto das interações espaciais da vizinhança e a combinação de múltiplas evidências espaciais. O resultado empírico demonstra que o desempenho preditivo do classificador do modelo melhora significativamente a precisão da classificação. Uma comparação do desempenho preditivo do modelo com o algoritmo de rede neural artificial baseado na função de base radial mostra que o desempenho preditivo do modelo proposto é significativamente melhor do que o modelo de rede neural. Uma atenção crescente tem sido dada ao processamento de dados espaciais e à descoberta de conhecimento (SDMKD). Este artigo apresenta os princípios do SDMKD, propõe três novas técnicas e fornece a sua aplicabilidade e exemplos. Primeiro, a motivação do SDMKD é informada. Em segundo lugar, são apresentadas a intenção e a extensão do conceito SDMKD. Terceiro, são propostas três novas técnicas durante esta secção, ou seja, classificação de imagens baseada em SDMKD que integra aprendizagem indutiva espacial da base de dados SIG e classificação Bayesiana, modelo de nuvem que integra aleatoriedade e imprecisão, campo de dados que irradia a energia dos dados observados para o discurso do universo . Quarto, a aplicabilidade e os exemplos são estudados em três casos. A primeira é a classificação por deteção remota, a segunda é o processamento de dados de monitorização de deslizamentos de terra e, portanto, a terceira é o raciocínio incerto. Por fim, todo o artigo é concluído e discutido. O progresso técnico na aquisição e armazenamento informatizado de dados leva à expansão de vastas bases de dados. Com o aumento e a acumulação contínuos, as grandes quantidades de dados informatizados excederam em muito a capacidade humana de interpretar e utilizar completamente. Estes fenómenos podem ser mais graves na ciência geoespacial. Para compreender e utilizar plenamente estes repositórios de dados, foram testadas algumas técnicas, por exemplo, sistema especialista, sistema de gestão, análise de dados espaciais, aprendizagem automática e IA. Em 1989, a descoberta de conhecimento em bases de dados foi proposta posteriormente. Em 1995 surge também a mineração de dados. Uma vez que tanto a mineração de dados como a descoberta de conhecimento em bases de dados apontam virtualmente para as mesmas técnicas, as pessoas gostariam de as juntar, ou seja, a mineração de dados e a descoberta de conhecimento (DMKD). Como 80% dos dados são georreferenciados, a necessidade obriga as pessoas a pensar nas características espaciais do DMKD e a desenvolver ainda mais um ramo na ciência geoespacial, nomeadamente o SDMKD (Li, Cheng, 1994; Ester et al., 2000 ).Os dados espaciais são mais complexos, mais mutáveis ??e maiores do que os conjuntos de dados comuns. Dimensão espacial significa que cada item de conhecimento apresenta uma referência espacial (Haining, 2003) onde cada entidade ocorre na superfície contínua, ou onde existe a relação referenciada espacial entre duas entidades vizinhas. Os dados espaciais incluem não só dados posicionais e dados de atributos, mas também relações espaciais entre entidades espaciais. Além disso, a estrutura de dados espaciais é mais complexa do que as tabelas de uma base de dados relacional comum. Além dos dados tabulares, existem dados gráficos vetoriais e raster em base de dados espaciais. E os recursos dos dados gráficos não são armazenados explicitamente na base de dados. Ao mesmo tempo, os SIG contemporâneos apenas possuem funcionalidades básicas de análise, cujos resultados são explícitos. E é sob a ideia de dependência e na ideia dos dados amostrados que a geoestatística estima em locais não amostrados ou faz um mapa do atributo. Uma vez que o conhecimento espacial descoberto pode apoiar e melhorar a tomada de decisões referenciadas em dados espaciais, tem sido dada uma atenção crescente ao estudo, desenvolvimento e aplicação do SDMKD.  

Biografia

Iftikhar U Sikder é professor associado nomeado conjuntamente no Departamento de Ciência da Informação, Departamento de Engenharia Elétrica e Ciência da Computação da Universidade Estadual de Cleveland, EUA. Os seus interesses de investigação incluem soft computing, computação granular, data mining e sistemas colaborativos de apoio à decisão. Os seus artigos foram publicados no Journal of Risk Analysis, Expert Systems with Applications, International Journal of Mobile Communications, Information Resources Management Journal, International Journal of Management & Decision Making e International Journal of Aerospace Survey and Earth Sciences. É autor de vários capítulos de livros e apresentou artigos em diversas conferências nacionais e internacionais.