掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發明與發現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
模糊聚類算法及應用 版權信息
- ISBN：9787502470159
- 條形碼：9787502470159 ; 978-7-5024-7015-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模糊聚類算法及應用 本書特色
蔡靜穎所著的《模糊聚類算法及應用》重點分析了FCM算法和馬氏距離的基本原理，從而利用馬氏距離的優點來彌補FCM算法中存在的缺陷，并從兩個方面對FCM算法進行了改進。 本書還將FCM算法和KPCA方法結合，利用KPCA進行特征提取，然后利用FCM算法進行數據聚類分析。將FCM算法應用于軟件測試中是作者未來研究的重點，本書主要介紹了將FCM算法應用于等價類劃分方法中，每個應用在本書中都做了詳盡介紹。
模糊聚類算法及應用 內容簡介
《模糊聚類算法及應用》主要針對模糊聚類算法中*經典的FCM算法進行了系統分析，并對原始算法進行了改進，將經典的FCM算法和改進的FCM算法應用于圖像識別、數據聚類和軟件測試等不同領域。全書共分7章，第1章介紹了聚類分析發展背景和基礎概念；第2章介紹了模糊理論基礎知識及模糊聚類分析的方法和應用；第3章介紹了模糊c一均值算法的理論知識和研究現狀以及目前存在的問題；第4章介紹了馬氏距離的基本原理和處理方法；第5章介紹了馬氏距離在模糊聚類中的應用；第6章介紹了基于優化KPCA特征提取的FCM算法；第7章介紹了FCM算法在軟件測試的等價類劃分方法中的應用。 《模糊聚類算法及應用》可供從事模式識別教學研究的師生、科研人員參考，也可供從事數據挖掘、圖像識別、軟件測試等工作的相關人員學習。
模糊聚類算法及應用 目錄
1 緒論
1.1 聚類分析的概述
1.2 聚類分析的基礎概念
1.2.1 聚類算法的主要類型
1.2.2 聚類分析的相似度和相異度
1.3 聚類分析算法
1.3.1 聚類算法性能的衡量指標
1.3.2 基于劃分的聚類算法
1.3.3 基于層次的聚類算法
1.3.4 基于密度的聚類算法
1.3.5 基于網格的聚類算法
1.3.6 基于模型的聚類算法
1.4 聚類分析算法面臨的問題
1.5 本章小結
2 模糊理論基礎
2.1 模糊集的定義和表示方法
2.1.1 模糊集的定義
2.1.2 模糊集的表示方法
2.2 模糊集的基本概念
2.2.1 模糊集合的基本運算
2.2.2 模糊集的性質
2.2.3 隸屬度函數
2.3 模糊聚類分析
2.3.1 模糊聚類分析步驟
2.3.2 *佳閾值A的確定
2.4 模糊聚類分析應用
2.5 本章小結
3 模糊c-均值算法及分析
3.1 硬c-均值算法
3.2 模糊c-均值算法
3.3 模糊c-均值聚類算法的研究現狀
3.3.1 模糊聚類目標函數的演化
3.3.2 模糊聚類算法實現途徑的研究
3.3.3 模糊聚類有效性的研究
3.4 模糊c一均值算法存在的問題
3.5 本章小結
4 馬氏距離基本原理和處理方法
4.1 馬氏距離方法基本原理
4.2 馬氏距離中奇異問題的解決方法
4.3 馬氏距離的應用
4.3.1 馬氏距離在模式識別中的應用
4.3.2 馬氏距離在其他領域的應用
4.4 本章小結
5 馬氏距離在模糊聚類中的應用
5.1 基于馬氏距離的FCM算法（F'CM—M）
5.1.1 新算法提出
5.1.2 實驗結果及分析
5.2 基于馬氏距離特征加權的模糊距離新算法（MF—FCM）
5.2.1 馬氏距離特征加權新方法
5.2.2 實驗結果及分析
5.3 基于馬氏距離的模糊c一均值增量學習算法
5.3.1 增量學習的研究背景和意義
5.3.2 基于馬氏距離的模糊c一均值增量學習算法概述
5.3.3 算法應用舉例
5.4 馬氏距離在模糊聚類中應用存在的問題
5.5 本章小結
6 基于優化KPCA特征提取的FCM算法
6.1 核主元分析（KPCA）的原理
6.1.1 主元分析（PCA）簡介
6.1.2 核主元分析（KPCA）原理
6.2 文化算法的原理
6.3 KPCA算法的優化
6.4 基于優化KPCA特征提取的FCM算法
6.4.1 算法概述
6.4.2 算法應用舉例
6.5 本章小結
7 模糊聚類算法在軟件測試中的應用
7.1 軟件測試方法
7.1.1 測試分類
7.1.2 本地化測試
7.1.3 白盒測試
7.1.4 黑盒測試
7.1.5 靜態測試和動態測試
7.1.6 主動測試和被動測試
7.2 軟件缺陷與缺陷模式
7.2.1 軟件缺陷的類別
7.2.2 軟件缺陷的分類標準
7.2.3 軟件缺陷的構成
7.2.4 軟件缺陷的嚴重性和優先級
7.2.5 軟件缺陷的管理
7.3 基于模糊c-均值的等價類劃分法
7.3.1 算法描述
7.3.2 算法的實驗驗證
7.4 本章小結
參考文獻
1.1 聚類分析的概述
1.2 聚類分析的基礎概念
1.2.1 聚類算法的主要類型
1.2.2 聚類分析的相似度和相異度
1.3 聚類分析算法
1.3.1 聚類算法性能的衡量指標
1.3.2 基于劃分的聚類算法
1.3.3 基于層次的聚類算法
1.3.4 基于密度的聚類算法
1.3.5 基于網格的聚類算法
1.3.6 基于模型的聚類算法
1.4 聚類分析算法面臨的問題
1.5 本章小結
2 模糊理論基礎
2.1 模糊集的定義和表示方法
2.1.1 模糊集的定義
2.1.2 模糊集的表示方法
2.2 模糊集的基本概念
2.2.1 模糊集合的基本運算
2.2.2 模糊集的性質
2.2.3 隸屬度函數
2.3 模糊聚類分析
2.3.1 模糊聚類分析步驟
2.3.2 *佳閾值A的確定
2.4 模糊聚類分析應用
2.5 本章小結
3 模糊c-均值算法及分析
3.1 硬c-均值算法
3.2 模糊c-均值算法
3.3 模糊c-均值聚類算法的研究現狀
3.3.1 模糊聚類目標函數的演化
3.3.2 模糊聚類算法實現途徑的研究
3.3.3 模糊聚類有效性的研究
3.4 模糊c一均值算法存在的問題
3.5 本章小結
4 馬氏距離基本原理和處理方法
4.1 馬氏距離方法基本原理
4.2 馬氏距離中奇異問題的解決方法
4.3 馬氏距離的應用
4.3.1 馬氏距離在模式識別中的應用
4.3.2 馬氏距離在其他領域的應用
4.4 本章小結
5 馬氏距離在模糊聚類中的應用
5.1 基于馬氏距離的FCM算法（F'CM—M）
5.1.1 新算法提出
5.1.2 實驗結果及分析
5.2 基于馬氏距離特征加權的模糊距離新算法（MF—FCM）
5.2.1 馬氏距離特征加權新方法
5.2.2 實驗結果及分析
5.3 基于馬氏距離的模糊c一均值增量學習算法
5.3.1 增量學習的研究背景和意義
5.3.2 基于馬氏距離的模糊c一均值增量學習算法概述
5.3.3 算法應用舉例
5.4 馬氏距離在模糊聚類中應用存在的問題
5.5 本章小結
6 基于優化KPCA特征提取的FCM算法
6.1 核主元分析（KPCA）的原理
6.1.1 主元分析（PCA）簡介
6.1.2 核主元分析（KPCA）原理
6.2 文化算法的原理
6.3 KPCA算法的優化
6.4 基于優化KPCA特征提取的FCM算法
6.4.1 算法概述
6.4.2 算法應用舉例
6.5 本章小結
7 模糊聚類算法在軟件測試中的應用
7.1 軟件測試方法
7.1.1 測試分類
7.1.2 本地化測試
7.1.3 白盒測試
7.1.4 黑盒測試
7.1.5 靜態測試和動態測試
7.1.6 主動測試和被動測試
7.2 軟件缺陷與缺陷模式
7.2.1 軟件缺陷的類別
7.2.2 軟件缺陷的分類標準
7.2.3 軟件缺陷的構成
7.2.4 軟件缺陷的嚴重性和優先級
7.2.5 軟件缺陷的管理
7.3 基于模糊c-均值的等價類劃分法
7.3.1 算法描述
7.3.2 算法的實驗驗證
7.4 本章小結
參考文獻
展開全部
書友推薦
- >
小考拉的故事-套裝共3冊
- >
自卑與超越
- >
名家帶你讀魯迅:朝花夕拾
- >
史學評論
- >
唐代進士錄
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
我從未如此眷戀人間
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
