Skip to main content
SUPERVISOR
Naser Ghadiri modaress
ناصر قدیری مدرس (استاد راهنما)
 
STUDENT
Amir Hossein Goudarzi
امیرحسین گودرزی

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1391

TITLE

Classification of Spatial Data in order to Manage the Development of Urban Regions using MOSES Algorithm
: Spatial data is one of the most important and sensitive elements of social, economic and political decision making in life today. This is why many needs, goals and different organizational activities are dependent to the knowledge earned from spatial data which is especially important to strategic planning. Existing Researches in this field are usually neglecting the deep knowledge mined from geographical databases and are based on pure statistical methods. So, kashida; TEXT-ALIGN: justify; TEXT-KASHIDA: 0%; MARGIN: 0cm 0cm 0pt; unicode-bidi: embed; DIRECTION: ltr" Keywords: Spatial datamining, Parallel processing of spatial data, Fuzzy Regional Connection calculus
اطلاعات مکانییکی از مهمترین و حساسترین عوامل تصمیم گیری و بخصوص تصمیم گیری های اجتماعی، اقتصادی و سیاسی در زندگی امروزه می باشند. به همین دلیل بسیاری از نیازها، اهداف و فعالیتهای سازمانهای مختلف بهاستفاده ازدانش به دست آمده از داده های مکانیوابسته اند. این موضوع به خصوص برایبرنامه ریزی-های کلان حائز اهمیت است. در این زمینه کارهای انجام شده عموماً بدون توجه به دانش عمیق به دست آمده از پایگاه های داده جغرافیایی وصرفاً مبتنی بر روش های آماری بوده اند. از این رو، دسته بندی داده های مکانی نواحی شهری می تواند مبنایی جامع برای استفاده از سرزمین را ارائه نماید و در نهایت این تصمیم گیری را متکی به دانش عمیق استخراج شده از پایگاه داده های مکانی گرداند.با توجه به حجم بالای داده جمع آوری شده در پایگاه داده های مکانی، استخراج قوانین انجمنی و ارائه دانش در سطح بالا از آن ها اهمیت می یابد. بطور خاص و در حوزه اطلاعات نقشه ای و مکانی، الگوریتم های زیادی برای داده کاوی مکانی تاکنون پیشنهاد شده است. با این وجود الگوریتم های معدودی وجود دارند که بتوانند داده های جغرافیایی و غیرجغرافیایی را همزمان با محاسبه روابط توپولوژیکی پردازش کنند؛ در صورتی که بسیاری از مسائل تصمیم گیری مانند مسائل توسعه نواحی شهری به این نوع درک و استنتاج از روابط توپولوژیکی نیاز دارند؛ برای این منظور در این پایان نامه یک راهکار مبتنی بر برنامه ریزی ژنتیک ارائه می گردد که بر پایه ی مدل های آماری و بازنمایی دانش قرار دارد. به منظور استفاده از MOSES در استخراج قوانین از داده های جغرافیایی با درک روابط توپولوژیکی فازی، یک معماریترکیبی به نام GGEO با بهره گیری از حساباتصالناحیه فازیپیشنهاد و پیاده سازی شده است. برای غلبه بر مشکل زمان بر بودن محاسبه چندباره ی روابط توپولوژیکی، این روش بر پیش پردازش داده ها استوار است. GGEO با تحلیل و یادگیری از داده های جغرافیایی و عادی در کنار یکدیگر و با پردازش کردن اطلاعات توپولوژیکی-فاصله ای یک سری رابطه ریاضی-مکانی را به عنوان قوانین دسته بندی ارائه می کند. این روش نسبت به داده های نویز دار مقاوم است. همچنین تمامی مراحل آن به منظور افزایش سرعت به صورت موازی اجرا می شود. نتیجه این روشعلاوه بر استفاده در انواع دسته بندی داده های مکانی، می تواند راهکار مناسبی برای تحلیل داده ها و سیاست گذاری های اقتصادی در اختیار مدیران قرار دهد. برای نشان دادن کاربرد دانش اکتشافی به دست آمده در مسائل تصمیم گیری، کاربرد آن در حل یک مسأله ی برنامه ریزی ساخت بزرگراه با بودجه محدود در حوزه توسعه نواحی شهری بررسی و پیاده سازی شده است. کلمات کلیدی: 1-داده کاوی مکانی 2-پردازش موازی داده های مکانی 3-حساب اتصال ناحیه فازی

ارتقاء امنیت وب با وف بومی