1. 主要研究内容及达到的技术指标及成果形式

 1) 分析空间数据的空间分布属性，提取空间数据特征，并利用朴素贝叶斯算法，在分析属性相关性的基础上，通过属性约简选择一组近似独立的属性约简子集，提出一种基于属性约简的PLS加权朴素贝叶斯分类算法。对不同的条件属性给予不同的权值，从而在保持简单性的基础上有效地提高了朴素贝叶斯算法的分类性能；

2) 对海量的空间数据、复杂的空间数据和多样性的空间数据的聚类算法进行改进以提高空间数据聚类算法的效率；

3) 建立基于约束条件的空间数据聚类模型及基于PSO的空间数据聚类算法；并通过计算机模拟检验算法的有效性；

4) 将空间数据聚类算法应用于空气颗粒污染物的分析和某区域重金属元素浓度分析中。

5) 完成研究论文六篇，其中核心期刊发表论文4篇，国际会议发表1篇，1篇发表2014年5月统计与决策。

2.主要的科学发现和创新之处

1) 分析空间数据分布属性，提取空间数据特征，建立了基于约束条件的空间数据聚类模型及基于PSO的空间数据聚类算法；

2) 对海量的空间数据、复杂的空间数据和多样性的空间数据的聚类算法进行改进，以提高空间数据聚类算法的效率。并将空间数据聚类算法应用于实际问题中。

3. 研究成果的科学意义及反响

目前，关于面向各种不同类型数据的空间聚类算法研究是非常必要的.同时,空间数据一般同时包含空间属性(位置、 拓扑、 方位等)和非空间属性,在空间聚类过程中, 如何考虑空间对象的空间属性和非空间属性, 使之满足空间数据分析的需求,该研究通过分析空间数据分布属性，提取空间数据特征，建立了基于约束条件的空间数据聚类模型及基于PSO的空间数据聚类算法对空间数据处理及应用具有重要的意义。此外,空间聚类技术与各相关领域应用紧密结合,使之具有更广阔的应用前景。