多粒度大數(shù)據(jù)分析方法：以引領(lǐng)樹(shù)和云模型為例

定　價(jià)：￥169.00

作　者：	徐計(jì)，王國(guó)胤，李天瑞，鄧偉輝
出版社：	科學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥126.70)

ISBN：	9787030749857	出版時(shí)間：	2023-09-01	包裝：	平裝膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　在大數(shù)據(jù)時(shí)代，數(shù)據(jù)的獲取、傳輸和存儲(chǔ)融入了人類(lèi)生產(chǎn)生活的方方面面，而大數(shù)據(jù)核心價(jià)值體現(xiàn)為人們對(duì)數(shù)據(jù)的分析、理解與應(yīng)用。面對(duì)如此海量、高速和異構(gòu)的數(shù)據(jù)，僅靠人類(lèi)的認(rèn)知和理解能力遠(yuǎn)不能滿(mǎn)足價(jià)值發(fā)現(xiàn)的需要。同時(shí)，計(jì)算機(jī)總是針對(duì)最細(xì)粒度數(shù)據(jù)進(jìn)行迭代優(yōu)化的求解模式在特定場(chǎng)景下也不能滿(mǎn)足數(shù)據(jù)分析的時(shí)限需求。粒計(jì)算作為一種模擬人類(lèi)知識(shí)表示和問(wèn)題求解的近似數(shù)據(jù)分析范式，其優(yōu)點(diǎn)在于解決問(wèn)題時(shí)能夠選擇合適粒度，達(dá)到求解精度和計(jì)算時(shí)效的**平衡。所以，粒計(jì)算通常能夠以更高的效率獲得“有效解”。本書(shū)以引領(lǐng)樹(shù)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(lǐng)樹(shù)和云模型在大數(shù)據(jù)多粒度聚類(lèi)、數(shù)據(jù)流即時(shí)聚類(lèi)、半監(jiān)督學(xué)習(xí)和時(shí)間序列預(yù)測(cè)等大數(shù)據(jù)分析場(chǎng)景中的理論研究成果及應(yīng)用案例。

作者簡(jiǎn)介

暫缺《多粒度大數(shù)據(jù)分析方法：以引領(lǐng)樹(shù)和云模型為例》作者簡(jiǎn)介

圖書(shū)目錄

目錄
序
前言
本書(shū)常用記號(hào)
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(jì)算的大數(shù)據(jù)分析 4
1.2.1 粒計(jì)算概述 4
1.2.2 粒計(jì)算在大數(shù)據(jù)分析中的優(yōu)勢(shì) 7
1.2.3 大數(shù)據(jù)的粒計(jì)算分析框架 8
1.3 本章小結(jié) 9
參考文獻(xiàn) 10
第2章預(yù)備知識(shí) 13
2.1 基于密度峰值的聚類(lèi) 13
2.1.1 DPC 中心的特征 14
2.1.2 中心點(diǎn)和異常點(diǎn)特征 14
2.1.3 算法步驟 15
2.1.4 與其他聚類(lèi)方法的對(duì)比分析 15
2.2 云模型簡(jiǎn)介 16
2.2.1 云模型的定義 16
2.2.2 高斯云模型 17
2.3 學(xué)習(xí)過(guò)程的效率評(píng)價(jià) 19
2.3.1 時(shí)間復(fù)雜性 19
2.3.2 空間復(fù)雜性 20
2.4 學(xué)習(xí)結(jié)果的準(zhǔn)確性評(píng)價(jià) 20
2.4.1 聚類(lèi)評(píng)價(jià) 20
2.4.2 分類(lèi)評(píng)價(jià) 22
2.4.3 回歸分析評(píng)價(jià) 23
2.5 本章小結(jié) 23
參考文獻(xiàn) 24
第3章基于引領(lǐng)樹(shù)的高效多粒度聚類(lèi)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(lèi)中心點(diǎn)的自動(dòng)選擇 29
3.2.3 DPC中的引領(lǐng)樹(shù) 32
3.2.4 DenPEHC算法描述 33
3.2.5 異常點(diǎn)檢測(cè) 35
3.2.6 復(fù)雜性分析 37
3.3 海量高維數(shù)據(jù)的DenPEHC聚類(lèi) 37
3.3.1 海量高維數(shù)據(jù)的多粒度聚類(lèi).37
3.3.2 DenPEHC-LSHD算法 38
3.3.3 類(lèi)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?；募铀傩?yīng) 41
3.4 實(shí)驗(yàn)及結(jié)果分析 41
3.4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 41
3.4.2 實(shí)驗(yàn)結(jié)果與分析 42
3.5 本章小結(jié) 50
參考文獻(xiàn) 50
第4章基于胖節(jié)點(diǎn)引領(lǐng)樹(shù)和密度峰值的數(shù)據(jù)流聚類(lèi).54
4.1 引言 54
4.2 引領(lǐng)樹(shù)結(jié)構(gòu)中的偏序關(guān)系 58
4.3 DP-Stream算法.58
4.3.1 引領(lǐng)樹(shù)和胖節(jié)點(diǎn)引領(lǐng)樹(shù)的?；?60
4.3.2 異常點(diǎn)檢測(cè) 61
4.3.3 胖節(jié)點(diǎn)引領(lǐng)樹(shù)的增量式更新.63
4.3.4 概念漂移檢測(cè) 66
4.3.5 數(shù)據(jù)老化與弱節(jié)點(diǎn)刪除 68
4.4 復(fù)雜性分析 68
4.5 實(shí)驗(yàn)及結(jié)果分析 69
4.5.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 69
4.5.2 實(shí)驗(yàn)結(jié)果與分析 71
4.6 本章小結(jié) 82
參考文獻(xiàn) 83
第5章基于引領(lǐng)樹(shù)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(píng)價(jià) 94
5.4 LoDOG信息粒的可解釋性 95
5.5 復(fù)雜性分析 97
5.5.1 LoDOG復(fù)雜性分析 97
5.5.2 關(guān)于流形描述子的復(fù)雜性 97
5.5.3 與其他研究工作的關(guān)系 98
5.6 實(shí)驗(yàn)及結(jié)果分析 100
5.6.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 100
5.6.2 實(shí)驗(yàn)結(jié)果與分析 100
5.7 本章小結(jié) 111
參考文獻(xiàn) 111
第6章 *優(yōu)引領(lǐng)森林上的非迭代式標(biāo)簽傳播 115
6.1 引言 115
6.2 *優(yōu)引領(lǐng)森林上的標(biāo)簽傳播 116
6.2.1 LaPOLeaF標(biāo)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(xué)習(xí) 122
6.4 針對(duì)大數(shù)據(jù)的LaPOLeaF 123
6.4.1 分治法與并行計(jì)算策略 123
6.4.2 使用LSH的近似計(jì)算方法 125
6.5 分析與討論 126
6.5.1 復(fù)雜性分析 126
6.5.2 與其他方法的關(guān)系討論 127
6.6 實(shí)驗(yàn)及結(jié)果分析 127
6.6.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 127
6.6.2 實(shí)驗(yàn)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(yù)測(cè)中的應(yīng)用 133
6.8 本章小結(jié) 135
參考文獻(xiàn) 136
第7章基于二維正態(tài)云的時(shí)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(shí)間序列相似性度量 142
7.4 時(shí)間復(fù)雜度分析 147
7.5 實(shí)驗(yàn)及結(jié)果分析 148
7.5.1 實(shí)驗(yàn)設(shè)置 148
7.5.2 時(shí)間序列分類(lèi)實(shí)驗(yàn) 149
7.5.3 時(shí)間序列聚類(lèi)實(shí)驗(yàn) 153
7.6 本章小結(jié) 156
參考文獻(xiàn) 156
第8章基于高斯云變換和模糊時(shí)間序列的多粒度水質(zhì)預(yù)測(cè) 159
8.1 引言 159
8.2 高斯云變換 160
8.3 多粒度水質(zhì)預(yù)測(cè)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(shí)間序列預(yù)測(cè)模型 165
8.3.4 自適應(yīng)期望模型 168
8.4 實(shí)驗(yàn)及結(jié)果分析 168
8.4.1 實(shí)驗(yàn)數(shù)據(jù)集 169
8.4.2 實(shí)驗(yàn)設(shè)置 169
8.4.3 DO預(yù)測(cè)實(shí)驗(yàn) 170
8.4.4 CODMn指數(shù)預(yù)測(cè)實(shí)驗(yàn) 174
8.5 本章小結(jié) 178
參考文獻(xiàn) 178