王树良，男，1975年生，武汉大学和香港理工大学博士，清华大学博士后，武汉大学教授，全国优秀博士学位论文、教育部新世纪优秀人才、霍英东青年教师二等奖、IBM教师奖、Citibank教师奖、湖北省“五四”金质奖章等荣誉获得者。担任International Journal of System Science、International Journal of Data Mining and Data Warehousing等Guest Editor，Data Mining and Knowledge Discovery、ISPRS Journal of Photogrammetric and Remote Sensing等Paper Reviewer，Advanced Data Mining and Applications学术委员会合作主席。已发表为SCI等收录论文多篇，Springer等为其出版专著3部。主要研究空间数据挖掘。

    《空间数据挖掘视角》是一个从海量数据中概括知识的不确定过程，不同用户在不同条件下有着不同的挖掘要求。《空间数据挖掘视角》提出空间数据挖掘视角，描述不同的数据挖掘需求，实现从相同数据向多种知识的变粒度挖掘。空间数据挖掘不确定性的内因和外因，决定了在空间数据挖掘视角中管控不确定性的技术。云模型集成模糊性和随机性，数据场刻画数据的自然拓扑关系，能够实现定性定量的相互转换。滑坡监测数据挖掘视角和网络化数据挖掘视角表明，空间数据挖掘视角发现的多粒度知识可以满足不同用户的需求。《空间数据挖掘视角》可为空间数据挖掘、地球空间信息科学、计算机科学和复杂网络等研究提供参考，亦可作为相应专业的高年级本科生或研究生的教学用书。

第1章 空间数据挖掘的同异性<br>1．1 空间数据过量而难用<br>1．1．1 空间数据的过量增长<br>1．1．2 空间数据的处理滞后<br>1．1．3 空间数据难用的后果<br>1．2 空间数据挖掘的产生<br>1．2．1 学科交叉的产物<br>1．2．2 研究应用的热点<br>1．2．3 不确定的空间数据挖掘<br>1．3 空间数据挖掘的概念<br>1．4 空间数据挖掘的同异性分析<br>1．4．1 同对象异数据<br>1．4．2 同数据异结构<br>1．4．3 同数据异需求<br>1．4．4 同数据异用户<br>1．4．5 同数据异方法<br>1．4．6 同数据异知识<br>1．4．7 同知识异表达<br>1．4．8 同数据异拓扑<br>1．5本章小节<br><br>第2章 空间数据挖掘视角原理<br>2．1 空间数据挖掘视角的概念<br>2．1．1 空间数据挖掘的多视角理解<br>2．1．2 空间数据挖掘的视角因素<br>2．1．3 空间数据挖掘的多视角需求<br>2．1．4 空间数据挖掘的变视角需求<br>2．2 空间数据挖掘视角的不确定性分析<br>2．2．1 客观存在和主观挖掘<br>2．2．2 不确定性的基本成因<br>2．2．3 不确定性的内在特性<br>2．2．4 不确定性的外在表现<br>2．2．5 不确定性的测度参数<br>2．3 空间数据挖掘视角的影响要素<br>2．3．1 尺度<br>2．3．2 粒度<br>2．3．3 层次<br>2．4 空间数据挖掘视角的机理空间<br>2．4．1 概念空间<br>2．4．2 特征空间<br>2．4．3发现状态空间<br>2．5 空间数据挖掘视角的基本算法<br>2．6 本章小结<br><br>第3章 空间数据挖掘视角的技术<br>3．1 空间数据挖掘视角技术的集合论分析<br>3．1．1 确定集<br>3．1．2 概率<br>3．1．3 模糊集<br>3．1．4 粗集<br>3．1．5 其他<br>3．1．6 随机和模糊的对比<br>3．2 云模型<br>3．2．1 云模型基本概念<br>3．2．2 云模型的数字特征<br>3．2．3 云模型的类型<br>3．2．4 虚拟云模型<br>3．2．5 云发生器<br>3．2．6 云变换及其归整<br>3．2．7 云模型的不确定推理<br>3．3 数据场<br>3．3．1 物理场的启发<br>3．3．2 样本观测数据<br>3．3．3 样本数据的能量<br>3．3．4 数据场的概念<br>3．3．5 数据场的性质<br>3．3．6 数据场的场强<br>3．3．7 数据场的势<br>3．3．8 数据场的可视化<br>3．4 云模型和数据场的协同<br>3．5 本章小结<br><br>第4章 滑坡监测数据挖掘视角<br>4．1 滑坡监测视角分析<br>4．1．1 滑坡灾害<br>4．1．2 滑坡监测<br>4．1．3 数据分析的不足<br>4．1．4 数据场和云模型的可用性<br>4．1．5 基本滑坡监测数据挖掘视角<br>4．1．6 视角挖掘算法<br>4．2 同点异时同向的视角挖掘<br>4．2．1 X方向的数字特征<br>4．2．2 数字特征的定性诠释<br>4．2．3 y、H方向的数字特征<br>4．2．4 数字特征可视化<br>4．3 异点同时同向的视角挖掘<br>4．3．1 滑坡变形概率分布密度辐射估计<br>4．3．2 异点同时同向的数字特征<br>4．4 异点异时同向的视角挖掘<br>4．4．1 不同断面的数字特征值<br>4．4．2 滑坡的数字特征值<br>4．5 基于数据场的例外挖掘<br>4．5．1 不同方向上的例外<br>4．5．2 整体例外<br>4．5．3 规则+例外<br>4．6 宝塔滑坡形变监测的知识及讨论<br>4．6．1 发现的知识<br>4．6．2 挖掘机理<br>4．6．3 知识检验<br>4．6．4 方法讨论<br>4．7 本章小结<br><br>第5章 网络化数据挖掘视角<br>5．1 从网络到复杂网络<br>5．1．1 网络<br>5．1．2 网络拓扑<br>5．1．3 规则网络和随机网络<br>5．1．4 小世界网络<br>5．1．5 无标度网络<br>5．1．6 社团结构<br>5．2 网络化数据挖掘<br>5．2．1 网络化数据挖掘的概念<br>5．2．2 网络化数据挖掘的内容<br>5．3 网络化数据挖掘的社团发现算法<br>5．3．1 图分割<br>5．3．2 分级聚类<br>5．3．3 Kernighan-Lin算法<br>5．3．4 谱平分法<br>5．3．5 GN算法<br>5．3．6 Newman快速算法<br>5．4 网络化数据挖掘的社团发现视角<br>5．4．1 人工随机网络<br>5．4．2 空手道俱乐部成员间的关系网<br>5．4．3 海豚关系网<br>5．4．4 电影演员合作网<br>5．5 本章小节<br><br>第6章 思考与结语<br>6．1 空间数据挖掘视角的思考<br>6．2 空间数据挖掘视角的决策思考<br>6．3 结语<br>参考文献