数据流知识发现PDF|Epub|txt|kindle电子书版本网盘下载

数据流知识发现PDF格式电子书版下载

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

1 绪论1

1.1 什么是知识发现1

1.2 知识发现的过程4

1.3 新型数据流应用6

1.4 数据流定义及特点10

1.5 数据流知识发现12

1.5.1 数据流频繁模式挖掘12

1.5.2 数据流分类研究14

1.5.3 数据流聚类16

1.5.4 数据流离群点检测17

1.5.5 数据流时序数据分析18

1.6 海量数据管理与并行及分布式计算20

1.7 小结22

2 海量数据管理的关键技术28

2.1 海量数据硬件平台模型28

2.1.1 并行计算机体系结构29

2.1.2 集群并行计算系统30

2.1.3 虚拟化及云31

2.2 海量数据系统模型34

2.2.1 Hadoop框架34

2.2.2 Google File System-GFS36

2.2.3 Memcached37

2.2.4 SimpleDB38

2.3 海量数据计算的基本算法38

2.3.1 Map/Reduce38

2.3.2 BigTable39

2.3.3 NFS40

2.3.4 AFS40

2.4 传统海量数据管理技术40

2.4.1 并行数据划分42

2.4.2 并行事务调度44

2.4.3 并行事务并发控制算法50

2.5 数据流管理系统55

2.5.1 STREAM56

2.5.2 Aurora57

2.5.3 Medusa57

2.5.4 Borealis58

2.5.5 其他58

2.6 基于CPU和GPU的并行计算59

2.6.1 并行计算机和模型59

2.6.2 MPI＋OpenMP混合模型60

2.6.3 基于GPU的并行计算模型62

2.6.4 基于CUDA的并行计算模型63

2.6.5 并行数据流分析64

2.7 小结66

3 数据流关联规则发现71

3.1 关联规则挖掘概述71

3.2 关联规则挖掘典型算法分析73

3.2.1 基于规则中涉及的数据维数的挖掘算法73

3.2.2 基于规则中涉及的抽象层次的挖掘算法75

3.2.3 按变量类别不同而确定的挖掘算法79

3.3 数据流上频集挖掘核心问题80

3.3.1 概要数据处理方法80

3.3.2 滑动窗口处理模型81

3.3.3 挖掘算法分类83

3.3.4 挖掘任务分类84

3.4 基于前缀树的频繁闭项集挖掘PFIT算法87

3.4.1 问题描述88

3.4.2 前缀树结构描述89

3.4.3 构建前缀树90

3.4.4 挖掘前缀树92

3.4.5 实验94

3.5 高效益项集挖掘算法FHUI-Growth96

3.5.1 关联规则效益度的定义及性质96

3.5.2 一种快速挖掘高效益项集的算法99

3.5.3 实验101

3.6 基于概念格的关联规则挖掘算法106

3.7 小结108

4 数据流分类知识发现113

4.1 数据分类模型与方法114

4.1.1 数据流单分类器算法114

4.1.2 数据流集成分类器算法117

4.2 基于隐马尔可夫模型的流数据分类算法120

4.2.1 基于隐马尔可夫模型的流数据分类算法120

4.2.2 马尔可夫链121

4.2.3 隐马尔可夫模型122

4.3 基于隐马尔可夫模型的流数据分类算法124

4.3.1 训练样本优化124

4.3.2 HMM_SDC算法125

4.3.3 实验127

4.3.4 结论129

4.4 小结129

5 数据流聚类挖掘134

5.1 引言134

5.2 聚类分析135

5.2.1 相关概念135

5.2.2 聚类分析中的数据类型136

5.2.3 主要聚类分析方法分类140

5.2.4 常见聚类分析方法的分析141

5.3 数据流聚类算法（methods and algorithms）151

5.3.1 STREAM算法151

5.3.2 CluStream算法框架151

5.3.3 HPStream算法框架154

5.3.4 E-Stream算法154

5.3.5 DenStream算法155

5.3.6 D-Stream算法156

5.3.7 CFR算法158

5.4 数据流滤波问题研究159

5.4.1 受系统参数影响的状态空间模型159

5.4.2 最小距离设计方法160

5.4.3 SSUKF-JSIMM算法思想161

5.4.4 SSUKF-JSIMM算法步骤162

5.4.5 仿真实验164

5.5 研究主题167

5.5.1 一般性主题167

5.5.2 面向具体应用领域的问题168

5.6 小结169

6 时序和序列数据流挖掘173

6.1 时间序列及其应用173

6.2 时间序列预测的常用方法174

6.3 时间序列的相似性搜索175

6.3.1 基于ARMA模型的时间序列相似性搜索175

6.3.2 基于离散傅里叶变换的时间序列相似性查找178

6.3.3 基于规范变换的查找方法179

6.4 序列模式挖掘简介181

6.5 序列模式挖掘算法183

6.5.1 Apriori算法184

6.5.2 基于划分的模式生长算法187

6.5.3 基于序列比较的算法188

6.6 支持约束的序列模式挖掘190

6.6.1 约束的分类190

6.6.2 支持约束的序列模式挖掘算法190

6.7 周期模式挖掘191

6.8 增量式序列模式挖掘192

6.9 序列模式挖掘算法的比较分析194

6.9.1 算法的定性比较194

6.9.2 算法的时间和空间执行效率比较195

6.9.3 算法适用范围分析196

6.10 序列挖掘在生物信息领域的应用197

6.10.1 蛋白质功能的计算方法简介197

6.10.2 一种改进的蛋白质功能预测方法PF_WNP［36］199

6.10.3 实验结果分析201

6.10.4 结论205

6.11 小结206