对象群邻近关系相似性计算：考虑排序差异的方法

"顾及排序差异的对象群邻近关系相似性计算 (2013年)" 在信息技术和地理信息系统领域，空间邻近关系的定量计算是一个关键问题，因为它涉及到空间数据的理解和分析。本文《顾及排序差异的对象群邻近关系相似性计算》由孟妮娜、艾廷华和周校东于2013年发表，主要探讨了如何在考虑排序差异的情况下，对对象群之间的邻近关系进行相似性度量。 文章首先指出，Delaunay三角网和其对偶Voronoi图是解析空间目标相对位置关系的有效工具，它们能揭示空间目标之间的邻近性。然而，不同的邻近关系概念，如直接邻近、最邻近、侧向邻近等，都在不同的应用场景中得到了应用。 接着，作者讨论了空间关系相似性的判断，这是一个基础的空间认知问题。现有的度量方法多依赖于定性的“概念邻域图”，但这些方法可能并不适用于所有情况。因此，作者提出了一种新的计算方法，该方法结合了要素模型（考虑对象和特征的相似性）和对准模型（处理对象之间的排列差异），以适应对象群的高层次比较需求。 在新方法中，作者以Delaunay三角网为基础，通过考虑对象和特征的层次，建立了一个考虑排序差异的对象群邻近关系相似性计算模型。这一模型旨在提供一个更精确的方式来量化和比较空间对象的邻近关系，尤其是在存在排序差异的情况下。 论文通过实证分析验证了所提方法的可行性，强调了在处理复杂空间数据时，考虑排序差异对于准确评估对象群的邻近关系至关重要。这种方法对于空间数据挖掘、地理信息系统、地图匹配以及任何依赖于空间关系分析的应用都有着重要的理论和实践意义。 这篇论文提供了对空间邻近关系相似性度量的新视角，尤其关注了排序差异的影响，为理解和处理复杂空间数据提供了有价值的理论支持。通过结合多种模型，作者构建的计算方法有望提高空间分析的准确性和实用性。