多粒度大數(shù)據(jù)分析方法：以引領(lǐng)樹和云模型為例

定　價：￥169.00

作　者：	徐計(jì)，王國胤，李天瑞，鄧偉輝
出版社：	科學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥126.70)

ISBN：	9787030749857	出版時間：	2023-09-01	包裝：	平裝膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　在大數(shù)據(jù)時代，數(shù)據(jù)的獲取、傳輸和存儲融入了人類生產(chǎn)生活的方方面面，而大數(shù)據(jù)核心價值體現(xiàn)為人們對數(shù)據(jù)的分析、理解與應(yīng)用。面對如此海量、高速和異構(gòu)的數(shù)據(jù)，僅靠人類的認(rèn)知和理解能力遠(yuǎn)不能滿足價值發(fā)現(xiàn)的需要。同時，計(jì)算機(jī)總是針對最細(xì)粒度數(shù)據(jù)進(jìn)行迭代優(yōu)化的求解模式在特定場景下也不能滿足數(shù)據(jù)分析的時限需求。粒計(jì)算作為一種模擬人類知識表示和問題求解的近似數(shù)據(jù)分析范式，其優(yōu)點(diǎn)在于解決問題時能夠選擇合適粒度，達(dá)到求解精度和計(jì)算時效的**平衡。所以，粒計(jì)算通常能夠以更高的效率獲得“有效解”。本書以引領(lǐng)樹和云模型作為數(shù)據(jù)多粒度表示的基本方法，系統(tǒng)地展示了引領(lǐng)樹和云模型在大數(shù)據(jù)多粒度聚類、數(shù)據(jù)流即時聚類、半監(jiān)督學(xué)習(xí)和時間序列預(yù)測等大數(shù)據(jù)分析場景中的理論研究成果及應(yīng)用案例。

作者簡介

暫缺《多粒度大數(shù)據(jù)分析方法：以引領(lǐng)樹和云模型為例》作者簡介

圖書目錄

目錄
序
前言
本書常用記號
第1章緒論 1
1.1 大數(shù)據(jù) 2
1.1.1 大數(shù)據(jù)的定義 2
1.1.2 大數(shù)據(jù)處理研究現(xiàn)狀 3
1.2 基于粒計(jì)算的大數(shù)據(jù)分析 4
1.2.1 粒計(jì)算概述 4
1.2.2 粒計(jì)算在大數(shù)據(jù)分析中的優(yōu)勢 7
1.2.3 大數(shù)據(jù)的粒計(jì)算分析框架 8
1.3 本章小結(jié) 9
參考文獻(xiàn) 10
第2章預(yù)備知識 13
2.1 基于密度峰值的聚類 13
2.1.1 DPC 中心的特征 14
2.1.2 中心點(diǎn)和異常點(diǎn)特征 14
2.1.3 算法步驟 15
2.1.4 與其他聚類方法的對比分析 15
2.2 云模型簡介 16
2.2.1 云模型的定義 16
2.2.2 高斯云模型 17
2.3 學(xué)習(xí)過程的效率評價 19
2.3.1 時間復(fù)雜性 19
2.3.2 空間復(fù)雜性 20
2.4 學(xué)習(xí)結(jié)果的準(zhǔn)確性評價 20
2.4.1 聚類評價 20
2.4.2 分類評價 22
2.4.3 回歸分析評價 23
2.5 本章小結(jié) 23
參考文獻(xiàn) 24
第3章基于引領(lǐng)樹的高效多粒度聚類25
3.1 引言 25
3.2 DenPEHC算法 27
3.2.1 DPC中γ參數(shù)*線的分析 28
3.2.2 聚類中心點(diǎn)的自動選擇 29
3.2.3 DPC中的引領(lǐng)樹 32
3.2.4 DenPEHC算法描述 33
3.2.5 異常點(diǎn)檢測 35
3.2.6 復(fù)雜性分析 37
3.3 海量高維數(shù)據(jù)的DenPEHC聚類 37
3.3.1 海量高維數(shù)據(jù)的多粒度聚類.37
3.3.2 DenPEHC-LSHD算法 38
3.3.3 類別屬性取值的距離度量 39
3.3.4 子集規(guī)模的確定 40
3.3.5 水平粒化的加速效應(yīng) 41
3.4 實(shí)驗(yàn)及結(jié)果分析 41
3.4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 41
3.4.2 實(shí)驗(yàn)結(jié)果與分析 42
3.5 本章小結(jié) 50
參考文獻(xiàn) 50
第4章基于胖節(jié)點(diǎn)引領(lǐng)樹和密度峰值的數(shù)據(jù)流聚類.54
4.1 引言 54
4.2 引領(lǐng)樹結(jié)構(gòu)中的偏序關(guān)系 58
4.3 DP-Stream算法.58
4.3.1 引領(lǐng)樹和胖節(jié)點(diǎn)引領(lǐng)樹的?；?60
4.3.2 異常點(diǎn)檢測 61
4.3.3 胖節(jié)點(diǎn)引領(lǐng)樹的增量式更新.63
4.3.4 概念漂移檢測 66
4.3.5 數(shù)據(jù)老化與弱節(jié)點(diǎn)刪除 68
4.4 復(fù)雜性分析 68
4.5 實(shí)驗(yàn)及結(jié)果分析 69
4.5.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 69
4.5.2 實(shí)驗(yàn)結(jié)果與分析 71
4.6 本章小結(jié) 82
參考文獻(xiàn) 83
第5章基于引領(lǐng)樹的*優(yōu)?；土餍涡畔⒘１硎?86
5.1 引言 86
5.2 基于局部密度的*優(yōu)粒化 88
5.3 信息粒的流形描述 90
5.3.1 信息粒的流形描述子構(gòu)建 91
5.3.2 從流形描述子重建數(shù)據(jù) 92
5.3.3 流形描述子的評價 94
5.4 LoDOG信息粒的可解釋性 95
5.5 復(fù)雜性分析 97
5.5.1 LoDOG復(fù)雜性分析 97
5.5.2 關(guān)于流形描述子的復(fù)雜性 97
5.5.3 與其他研究工作的關(guān)系 98
5.6 實(shí)驗(yàn)及結(jié)果分析 100
5.6.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 100
5.6.2 實(shí)驗(yàn)結(jié)果與分析 100
5.7 本章小結(jié) 111
參考文獻(xiàn) 111
第6章 *優(yōu)引領(lǐng)森林上的非迭代式標(biāo)簽傳播 115
6.1 引言 115
6.2 *優(yōu)引領(lǐng)森林上的標(biāo)簽傳播 116
6.2.1 LaPOLeaF標(biāo)簽傳播的三階段分析 117
6.2.2 LaPOLeaF 算法 120
6.3 新增數(shù)據(jù)的快速學(xué)習(xí) 122
6.4 針對大數(shù)據(jù)的LaPOLeaF 123
6.4.1 分治法與并行計(jì)算策略 123
6.4.2 使用LSH的近似計(jì)算方法 125
6.5 分析與討論 126
6.5.1 復(fù)雜性分析 126
6.5.2 與其他方法的關(guān)系討論 127
6.6 實(shí)驗(yàn)及結(jié)果分析 127
6.6.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 127
6.6.2 實(shí)驗(yàn)結(jié)果與分析.128
6.6.3 ImageNet2012數(shù)據(jù)子集 132
6.7 LaPOLeaF在水質(zhì)預(yù)測中的應(yīng)用 133
6.8 本章小結(jié) 135
參考文獻(xiàn) 136
第7章基于二維正態(tài)云的時間序列?；稻S 139
7.1 引言 139
7.2 分段二維正態(tài)云表示方法 140
7.3 基于2D-NCR的時間序列相似性度量 142
7.4 時間復(fù)雜度分析 147
7.5 實(shí)驗(yàn)及結(jié)果分析 148
7.5.1 實(shí)驗(yàn)設(shè)置 148
7.5.2 時間序列分類實(shí)驗(yàn) 149
7.5.3 時間序列聚類實(shí)驗(yàn) 153
7.6 本章小結(jié) 156
參考文獻(xiàn) 156
第8章基于高斯云變換和模糊時間序列的多粒度水質(zhì)預(yù)測 159
8.1 引言 159
8.2 高斯云變換 160
8.3 多粒度水質(zhì)預(yù)測模型 162
8.3.1 論域分區(qū) 163
8.3.2 近似周期性 164
8.3.3 模糊時間序列預(yù)測模型 165
8.3.4 自適應(yīng)期望模型 168
8.4 實(shí)驗(yàn)及結(jié)果分析 168
8.4.1 實(shí)驗(yàn)數(shù)據(jù)集 169
8.4.2 實(shí)驗(yàn)設(shè)置 169
8.4.3 DO預(yù)測實(shí)驗(yàn) 170
8.4.4 CODMn指數(shù)預(yù)測實(shí)驗(yàn) 174
8.5 本章小結(jié) 178
參考文獻(xiàn) 178