图书介绍
高维聚类知识发现关键技术研究及应用PDF|Epub|txt|kindle电子书版本网盘下载
- 陈建斌著 著
- 出版社： 北京：电子工业出版社
- ISBN：9787121082481
- 出版时间：2009
- 标注页数：217页
- 文件大小：55MB
- 文件页数：229页
- 主题词：数据收集－研究
PDF下载
下载说明
高维聚类知识发现关键技术研究及应用PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 知识发现与KDD1
1.1 知识与知识发现1
1.1.1 知识1
1.1.2 知识发现和KDD4
1.1.3 知识发现的过程7
1.2 数据库知识发现——KDD9
1.2.1 KDD的产生与发展9
1.2.2 KDD的一般机理和理论基础11
1.2.3 KDD系统的基本框架13
1.2.4 KDD的主要任务13
第2章 聚类知识发现及其关键技术20
2.1 聚类问题的主要方法20
2.2 聚类问题的关键技术24
2.2.1 数据仓库技术24
2.2.2 高维聚类技术32
2.3 高维聚类关键技术研究40
2.3.1 高维聚类的主要算法40
2.3.2 高维聚类算法的关键技术46
第3章 高维数据相似性的定义49
3.1 数据相似关系49
3.1.1 基于距离的相似性定义49
3.1.2 基于密度的相似性定义52
3.1.3 基于连接的相似性定义52
3.2 高维数据相似关系的定义53
3.3 二元数据相似性的定义55
3.3.1 属性分布特征向量55
3.3.2 对象间属性分布相似性56
3.4 小结57
第4章 基于粗图模型的聚类算法59
4.1 图论基础概念59
4.2 基于图论的聚类算法60
4.2.1 聚集型图论聚类61
4.2.2 多层粗图法63
4.2.3 基于二部图的方法65
4.3 图划分的关键技术67
4.3.1 图的多层二分划（Multilevel Graph Bisection）67
4.3.2 增强谱分割算法71
4.3.3 图的非平衡划分技术72
4.4 多层粗图聚类算法的改进73
4.4.1 聚类算法75
4.4.2 图分割的精化算法77
4.4.3 聚类质量评价80
4.4.4 实验结果81
4.4.5 算法评价85
4.5 基于粗图模型的软聚类方法86
4.5.1 引言86
4.5.2 软聚类算法87
4.5.3 基于图划分法的软聚类GPSC算法95
4.5.4 实验分析101
4.5.5 软聚类方法的评价104
4.6 小结105
第5章 高维二元数据的映射聚类算法106
5.1 引言106
5.2 二元数据108
5.3 映射聚类模型109
5.3.1 伯努利分布（Bernoulli distribution）109
5.3.2 有限混合伯努利分布110
5.3.3 似然函数110
5.3.4 EM算法112
5.3.5 伯努利混合模型的EM算法112
5.3.6 基于混合模型的映射聚类思想114
5.4 映射聚类算法121
5.5 实验结果123
5.6 小结125
第6章 基于蚂蚁行为的聚类方法126
6.1 蚂蚁算法综述126
6.2 Deneubourg基本模型及LF聚类算法129
6.2.1 数据对象表示方法及相似性量度129
6.2.2 Deneubourg基本模型132
6.2.3 LF聚类算法133
6.3 基于密度的启发性群体智能聚类算法——HDBCSI134
6.3.1 记忆体135
6.3.2 基于密度的先行策略136
6.3.3 基于密度的启发性群体智能聚类算法HDBCSI算法描述137
6.3.4 算法测试与比较分析139
6.3.5 蚂蚁算法评价142
6.4 小结142
第7章 高维数据空间的离群点检测方法143
7.1 概述143
7.2 高维空间中的离群点发现146
7.3 子空问离群点发现算法综述147
7.4 映射离群点发现的思考150
7.5 映射离群点发现算法的设计151
7.5.1 映射聚类算法151
7.5.2 基于熵的属性选择152
7.5.3 离散属性中离群点的确定155
7.5.4 簇外属性检测156
7.6 算法描述及分析157
7.7 小结158
第8章 高维数据聚类结果的表示159
8.1 聚类结果表示方式概述159
8.1.1 数据可视化160
8.1.2 表达式法162
8.2 基于粗糙集理论的知识表示163
8.2.1 粗糙集基础理论165
8.2.2 属性空间上的rough集理论169
8.3 基于粗糙集理论的聚类结果表达172
8.3.1 一般聚类知识的表达173
8.3.2 高维二元映射聚类结果的粗糙集表示177
8.4 小结179
第9章 聚类知识发现数据建模及应用181
9.1 数据模型的建立181
9.1.1 数据仓库的体系结构与建模方法181
9.1.2 多维数据模型对分析型应用的支持183
9.1.3 数据建模方案184
9.2 应用数据准备185
9.2.1 数据准备的内容185
9.2.2 数据净化的方法187
9.2.3 数据的精简191
9.3 聚类知识发现的应用——电信市场客户分群193
9.3.1 客户聚类分析流程193
9.3.2 战术分群与目标市场营销202
9.4 小结205
参考文献206