裝備試驗(yàn)數(shù)據(jù)挖掘技術(shù)及應(yīng)用

第1章 概述
1.1 任務(wù)目的
1.1.1 基于精度試驗(yàn)數(shù)據(jù)挖掘的目標(biāo)艇供靶航向影響分析案例
1.1.2 影響雷達(dá)測量精度的指標(biāo)參數(shù)分析案例
1.1.3 裝備試驗(yàn)數(shù)據(jù)挖掘目的
1.2 基本概念
1.3 試驗(yàn)數(shù)據(jù)挖掘的方法
1.3.1 基本統(tǒng)計挖掘方法
1.3.2 多元統(tǒng)計挖掘方法
1.3.3 高級數(shù)據(jù)挖掘方法
1.4 數(shù)據(jù)挖掘的基本流程
1.5 若干問題的討論
1.6 本章小結(jié)
第2章 試驗(yàn)數(shù)據(jù)預(yù)處理
2.1 試驗(yàn)異常數(shù)據(jù)識別剔除與重構(gòu)
2.1.1 外推擬合法
2.1.2 M估計法
2.1.3 連續(xù)多點(diǎn)異常值識別方法
2.2 試驗(yàn)數(shù)據(jù)隨機(jī)誤差分析
2.2.1 平穩(wěn)性檢驗(yàn)
2.2.2 正態(tài)性檢驗(yàn)
2.2.3 周期性檢驗(yàn)
2.2.4 相關(guān)性檢驗(yàn)
2.3 數(shù)據(jù)平滑濾波
2.3.1 中心平滑濾波
2.3.2 中心序列平滑濾波法
2.3.3 卡爾曼濾波法
2.4 數(shù)據(jù)變換與數(shù)據(jù)離散化
2.4.1 數(shù)據(jù)變換
2.4.2 數(shù)據(jù)離散化
2.5 本章小結(jié)
第3章 基本統(tǒng)計挖掘方法
3.1 方差分析
3.1.1 單因素方差分析
3.1.2 單因素方差分析在雷達(dá)精度試驗(yàn)中的應(yīng)用
3.1.3 雙因素方差分析
3.1.4 雙因素方差分析在雷達(dá)精度試驗(yàn)中的應(yīng)用
3.2 主成分分析
3.2.1 主成分模型
3.2.2 分析步驟
3.2.3 主成分分析在權(quán)重確定中的應(yīng)用
3.3 因子分析
3.3.1 因子分析模型
3.3.2 分析步驟
3.3.3 因子分析在雷達(dá)誤差原因分析中的應(yīng)用
3.4 本章小結(jié)
第4章 關(guān)聯(lián)規(guī)則挖掘
4.1 關(guān)聯(lián)規(guī)則簡介
4.1.1 基本概念
4.1.2 舉例
4.1.3 關(guān)聯(lián)規(guī)則分類
4.2 Apriori算法
4.2.1 算法原理
4.2.2 算法舉例
4.2.3 Apriori算法改進(jìn)
4.3 FP-growth算法
4.3.1 算法原理
4.3.2 算法舉例
4.4 高級模式挖掘技術(shù)
4.4.1 多層關(guān)聯(lián)規(guī)則挖掘
4.4.2 多維關(guān)聯(lián)規(guī)則挖掘
4.4.3 定量關(guān)聯(lián)規(guī)則挖掘
4.5 關(guān)聯(lián)規(guī)則在雷達(dá)抗干擾試驗(yàn)中的應(yīng)用
4.5.1 背景介紹
4.5.2 試驗(yàn)數(shù)據(jù)挖掘處理
4.5.3 雷達(dá)抗干擾效果分析
4.6 本章小結(jié)
第5章 分類判別分析
5.1 分類判別基本知識
5.2 決策樹
5.2.1 基本原理
5.2.2 屬性測試條件
5.2.3 樹枝修剪
5.2.4 案例分析
5.3 支持向量機(jī)
5.3.1 基本原理
5.3.2 線性支持向量機(jī)：不可分的情況
5.3.3 非線性支持向量機(jī)和核函數(shù)
5.3.4 基本步驟
5.3.5 案例分析
5.4 人工神經(jīng)網(wǎng)絡(luò)
5.4.1 基本原理
5.4.2 BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算法基本步驟
5.4.3 案例分析
5.5 樸素貝葉斯
5.5.1 貝葉斯定理
5.5.2 樸素貝葉斯分類基本步驟
5.5.3 案例分析
5.6 邏輯回歸
5.6.1 基本原理
5.6.2 基本步驟
5.6.3 案例分析
5.7 K近鄰
5.7.1 K近鄰簡介
5.7.2 算法原理
5.7.3 案例分析
5.8 本章小結(jié)
第6章 聚類分析
6.1 傳統(tǒng)聚類分析
6.1.1 傳統(tǒng)聚類分析算法
6.1.2 基于K - means聚類方法的裝備能力指標(biāo)分類應(yīng)用
6.2 灰色聚類分析
6.2.1 灰關(guān)聯(lián)聚類
6.2.2 灰色面積變權(quán)聚類
6.2.3 灰關(guān)聯(lián)熵權(quán)聚類
6.2.4 灰色聚類評估應(yīng)用
6.3 譜聚類分析
6.3.1 譜聚類圖的構(gòu)造
6.3.2 譜聚類原理
6.3.3 遙測振動信號的譜聚類
6.4 本章小結(jié)
第7章 預(yù)測分析
7.1 回歸分析
7.1.1 一元線性回歸
7.1.2 一元非線性回歸
7.1.3 多元線性回歸
7.1.4 案例分析
7.2 灰色GM（1，1）建模與預(yù)測
7.2.1 GM（1，1）模型概述
7.2.2 CM（1，1）模型參數(shù)估計
7.2.3 GM（I，1）模型的擬合精度
7.2.4 基于CM（1，1）的目標(biāo)CPS航路模擬預(yù)測
7.3 高斯過程回歸的預(yù)測方法
7.3.1 高斯過程回歸的預(yù)測模型
7.3.2 核函數(shù)的訓(xùn)練
7.3.3 基于高斯過程回歸的時間序列預(yù)測
7.3.4 案例分析
7.4 本章小結(jié)
第8章 試驗(yàn)數(shù)據(jù)管理與服務(wù)
8.1 試驗(yàn)數(shù)據(jù)管理與服務(wù)相關(guān)知識
8.1.1 試驗(yàn)數(shù)據(jù)的生命周期
8.1.2 試驗(yàn)數(shù)據(jù)的分類
8.1.3 數(shù)據(jù)組織與管理
8.1.4 試驗(yàn)數(shù)據(jù)系統(tǒng)的建設(shè)原則
8.2 試驗(yàn)數(shù)據(jù)規(guī)劃
8.2.1 信息資源規(guī)劃理論
8.2.2 試驗(yàn)數(shù)據(jù)規(guī)劃的實(shí)施
8.2.3 試驗(yàn)數(shù)據(jù)規(guī)劃的系統(tǒng)建模示例
8.3 試驗(yàn)數(shù)據(jù)模型設(shè)計
8.3.1 數(shù)據(jù)模型設(shè)計方法
8.3.2 數(shù)據(jù)模型設(shè)計流程
8.3.3 試驗(yàn)數(shù)據(jù)模型設(shè)計示例
8.4 試驗(yàn)數(shù)據(jù)管理與服務(wù)系統(tǒng)建設(shè)
8.4.1 管理平臺系統(tǒng)設(shè)計
8.4.2 試驗(yàn)數(shù)據(jù)管理
8.4.3 數(shù)據(jù)共享服務(wù)
8.5 本章小結(jié)
參考文獻(xiàn)