中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
多粒度大數(shù)據(jù)分析方法:以引領樹和云模型為例 版權(quán)信息
- ISBN：9787030749857
- 條形碼：9787030749857 ; 978-7-03-074985-7
- 裝幀：平裝膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
多粒度大數(shù)據(jù)分析方法:以引領樹和云模型為例 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、理解與應用。面對如此海量、高速和異構(gòu)的數(shù)據(jù)，僅靠人類的認知和理解能力遠不能滿足價值發(fā)現(xiàn)的需要。同時，計算機總是針對*細粒度數(shù)據(jù)進行迭代優(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)點在于解決問題時能夠選擇合適粒度，達到求解精度和計算時效的**平衡。所以，粒計算通常能夠以更高的效率獲得“有效解”。本書以引領樹和云模型作為數(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)督學習和時間序列預測等大數(shù)據(jù)分析場景中的理論研究成果及應用案例。
多粒度大數(shù)據(jù)分析方法:以引領樹和云模型為例 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 基于粒計算的大數(shù)據(jù)分析 4
1.2.1 粒計算概述 4
1.2.2 粒計算在大數(shù)據(jù)分析中的優(yōu)勢 7
1.2.3 大數(shù)據(jù)的粒計算分析框架 8
1.3 本章小結(jié) 9
參考文獻 10
第2章 預備知識 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 中心點和異常點特征 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 學習過程的效率評價 19
2.3.1 時間復雜性 19
2.3.2 空間復雜性 20
2.4 學習結(jié)果的準確性評價 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 24
第3章 基于引領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 聚類中心點的自動選擇 29
3.2.3 DPC中的引領樹 32
3.2.4 DenPEHC算法描述 33
3.2.5 異常點檢測 35
3.2.6 復雜性分析 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 41
3.4 實驗及結(jié)果分析 41
3.4.1 實驗環(huán)境與數(shù)據(jù)集 41
3.4.2 實驗結(jié)果與分析 42
3.5 本章小結(jié) 50
參考文獻 50
第4章 基于胖節(jié)點引領樹和密度峰值的數(shù)據(jù)流聚類.54
4.1 引言 54
4.2 引領樹結(jié)構(gòu)中的偏序關系 58
4.3 DP-Stream算法.58
4.3.1 引領樹和胖節(jié)點引領樹的；.60
4.3.2 異常點檢測 61
4.3.3 胖節(jié)點引領樹的增量式更新.63
4.3.4 概念漂移檢測 66
4.3.5 數(shù)據(jù)老化與弱節(jié)點刪除 68
4.4 復雜性分析 68
4.5 實驗及結(jié)果分析 69
4.5.1 實驗環(huán)境與數(shù)據(jù)集 69
4.5.2 實驗結(jié)果與分析 71
4.6 本章小結(jié) 82
參考文獻 83
第5章 基于引領樹的*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 復雜性分析 97
5.5.1 LoDOG復雜性分析 97
5.5.2 關于流形描述子的復雜性 97
5.5.3 與其他研究工作的關系 98
5.6 實驗及結(jié)果分析 100
5.6.1 實驗環(huán)境與數(shù)據(jù)集 100
5.6.2 實驗結(jié)果與分析 100
5.7 本章小結(jié) 111
參考文獻 111
第6章 *優(yōu)引領森林上的非迭代式標簽傳播 115
6.1 引言 115
6.2 *優(yōu)引領森林上的標簽傳播 116
6.2.1 LaPOLeaF標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)的快速學習 122
6.4 針對大數(shù)據(jù)的LaPOLeaF 123
6.4.1 分治法與并行計算策略 123
6.4.2 使用LSH的近似計算方法 125
6.5 分析與討論 126
6.5.1 復雜性分析 126
6.5.2 與其他方法的關系討論 127
6.6 實驗及結(jié)果分析 127
6.6.1 實驗環(huán)境與數(shù)據(jù)集 127
6.6.2 實驗結(jié)果與分析.128
6.6.3 ImageNet2012數(shù)據(jù)子集 132
6.7 LaPOLeaF在水質(zhì)預測中的應用 133
6.8 本章小結(jié) 135
參考文獻 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 時間復雜度分析 147
7.5 實驗及結(jié)果分析 148
7.5.1 實驗設置 148
7.5.2 時間序列分類實驗 149
7.5.3 時間序列聚類實驗 153
7.6 本章小結(jié) 156
參考文獻 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)預測 159
8.1 引言 159
8.2 高斯云變換 160
8.3 多粒度水質(zhì)預測模型 162
8.3.1 論域分區(qū) 163
8.3.2 近似周期性 164
8.3.3 模糊時間序列預測模型 165
8.3.4 自適應期望模型 168
8.4 實驗及結(jié)果分析 168
8.4.1 實驗數(shù)據(jù)集 169
8.4.2 實驗設置 169
8.4.3 DO預測實驗 170
8.4.4 CODMn指數(shù)預測實驗 174
8.5 本章小結(jié) 178
參考文獻 178
展開全部
書友推薦
- >
巴金－再思錄
- >
上帝之肋:男人的真實旅程
- >
中國歷史的瞬間
- >
唐代進士錄
- >
羅庸西南聯(lián)大授課錄
- >
我從未如此眷戀人間
- >
推拿
- >
回憶愛瑪儂
本類暢銷
