PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
PDF-Download - Deutsche Geodätische Kommission
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
30 KAPITEL 3. DATA MINING UND KNOWLEDGE DISCOVERY IN DATENBANKEN<br />
• Triangulation<br />
Ein expliziter Abstandswert ist auch dann nicht erforderlich, wenn eine Triangulierung, wie z.B. die<br />
Delaunay-Triangulation (Preparata & Shamos 1985), zwischen den Objekten als Nachbarschaftsrelation<br />
definiert wird. In diesem Fall sind jedoch mehr als nur ein Nachbarobjekt möglich.<br />
3.3.3 Spatial Data Mining Architekturen<br />
Für das Problem des Data Mining wurden mehrere Architekturmodelle vorgeschlagen. Zu diesen Modellen<br />
gehören die Parallelarchitektur von (Holsheimer & Kersten 1994), der Data Mining Prototyp DBLEARN /<br />
DBMINER von (Han & Fu 1996) und die Multikomponenten-Architektur von (Matheus, Chan & Piatetsky-<br />
Shapiro 1993). Die meisten dieser Architekturen wurden auch für Spatial Data Mining verwendet oder erweitert.<br />
Insbesondere die Multikomponenten-Architektur wurde wegen ihrer Allgemeinheit von vielen anderen für Spatial<br />
Data Mining verwendet, wie z.B. (Ester et al. 1995). Dieses System besteht neben der Datenbank, einerWissensdatenbank<br />
und einer sogenannten Kontrolleinheit aus folgenden vier Modulen: Datenbankschnittstelle,<br />
Fokusierungsmodul, Musterextraktionsmodul und Evaluierungsmodul. Eine Erweiterung für<br />
Spatial Data Mining betrifft die Datenbankschnittstelle, die eine raumbezogene Indexstruktur für den Zugriff<br />
auf die Daten bereitstellen muss. Die Wissensdatenbank ist um räumliche Konzepte zu erweitern und das Musterextraktionsmodul<br />
hat Data Mining Techniken in Verbindung mit geometrischen Algorithmen auszuführen,<br />
um raumbezogene Regeln und Relationen zu entdecken.