了得網社會科學_現代數據分析與信息模式識別

編輯推薦

《現代數據分析與信息模式識別》以“復雜數據－數據分析－模式識別”為主線，論述了現代數據分析與信息模式識別的基本理論和方法，旨在利用模糊集、粗糙集、粒度計算等不確定的理論與方法分析數據的內在特性、數據間的依賴關繫、數據的分類分析與聚類分數據的矩陣模式分析，並用於知識的發現、識別、決策、對策及融合分析。主要內容包括：不確定性分析的理論與方法、多因素分析、分類分析、聚類分數據的矩陣模式概論、差異矩陣的信息評判與度量、模式矩陣間差異的關繫分析、信息模式測度、信息特征壓縮、信息模式識別、神經網絡與分類、支持向量機與分類等。
《現代數據分析與信息模式識別》的主要特點體現在“數據－知識－智能”的學習過程，在闡述相關領域*基本、*重大成果的同時，也介紹了這些領域的**進展，並且包含了作者在這些領域的**研究成果。

內容簡介

目錄
前言
**篇現代數據分析
第1章不確定性分析的理論與方法 3
1.1 信息熵 3
1.1.1 離散信源的數學模型 3
1.1.2 通信繫統基本模型 4
1.1.3 自信息量 4
1.1.4 信息熵的概念與性質 6
1.2 離散信道及其信息傳遞 7
1.2.1 離散信道 7
1.2.2 互信息量 7
1.3 模糊集 10
1.3.1 模糊集的概念 10
1.3.2 模糊集的表示方法 11
1.3.3 模糊集的代數運算 11
1.3.4 模糊集與普通集 12
1.3.5 模糊關繫 13
1.4 粗糙集 14
1.4.1 粗糙集的基本概念 14
1.4.2 粗糙集中的知識表示 15
1.4.3 知識約簡 16
1.5 粒度計算 17
1.5.1 粒度計算的概念 17
1.5.2 粒度計算的基本成分 18
1.5.3 粒度計算的基本問題 19
參考文獻 21
第2章多因素分析 22
2.1 主成分分析 22
2.1.1 主成分分析的概念 22
2.1.2 主成分分析的數學模型 22
2.1.3 主成分的導出 23
2.1.4 主成分分析的計算步驟 25
2.2 因子分析 27
2.2.1 因子分析的概念 27
2.2.2 因子分析的模型 27
2.2.3 因子分析的步驟 32
2.3 對應分析 33
2.3.1 對應分析的原理 33
2.3.2 對應分析的對應圖 37
2.4 典型相關分析 37
2.4.1 典型相關分析的基本概念 37
2.4.2 總體的典型變量與典型相關 38
2.4.3 樣本的典型變量與典型相關 40
2.4.4 典型相關繫數的顯著性檢驗 41
參考文獻 42
第3章分類分析 43
3.1 基於決策樹的分類 43
3.1.1 決策樹的構建及ID3算法 43
3.1.2 決策樹的剪枝及分類規則的提取 45
3.2 基於距離的分類 46
3.2.1 統計距離 47
3.2.2 兩個總體的距離分類 48
3.2.3 多個總體的距離分類 49
3.3 貝葉斯分類 51
3.3.1 兩個總體的貝葉斯分類 51
3.3.2 多個總體的貝葉斯分類 53
3.4 費希爾分類 54
3.4.1 費希爾分類函數 54
3.4.2 費希爾分類準則 56
3.5 分類準則的評價 57
3.5.1 回代估計法 57
3.5.2 交叉確認估計法 58
參考文獻 58
第4章聚類分析 60
4.1 動態聚類 60
4.1.1 動態聚類分析的思想 60
4.1.2 經典的動態聚類算法分析 62
4.2 層次聚類 63
4.2.1 層次聚類分析的思想 63
4.2.2 層次聚類的算法分析 67
4.2.3 經典的層次聚類算法 68
4.3 基於密度與網格的聚類 72
4.3.1 基於密度的聚類 72
4.3.2 基於網格的聚類 77
4.4 模糊聚類 80
4.4.1 數據集的劃分 81
4.4.2 聚類目標函數 82
4.4.3 模糊c均值聚類算法 85
參考文獻 87
第二數據的矩陣模式分析
第5數據的矩陣模式概論 91
5.數據的矩陣模式基本概念 91
5.1.1 矩陣模式的定義 91
5.1.2 矩陣模式的特征 94
5.數據矩陣模式分析的一般框架 95
5.2.1 數據預處理 95
5.2.2 模式矩陣的構造 95
5.2.3 模式矩陣間差異信息評判與度量 95
5.2.4 模式矩陣間差異的關繫分析 95
參考文獻 96
第6章差異矩陣的信息評判與度量 97
6.1 差異矩陣的性質 97
6.1.1 差異矩陣的構成 97
6.1.2 差異矩陣的統計特征 97
6.1.3 差異矩陣的信息特征 98
6.2 模式矩陣間差異信息的評判 98
6.2.數據的正態性檢驗方法及其適用性分析 98
6.2.2 兩模式矩陣間差異信息評判的方法與過程 100
6.2.數據的信息評判模擬實驗 103
6.3 模式矩陣間差異信息的度量 105
6.3.1 信息度量方法研究進展概述 105
6.3.2 基於矩的熵估計方法 106
6.3.3 基於擬合累積概率分布反函數的熵估計方法 115
6.3.4 基於熵的兩模式矩陣間差異信息的度量方法 1 18
參考文獻 120
第7章模式矩陣間差異的關繫分析 123
7.1 模式矩陣間差異的線性關繫分析 123
7.1.1 線性建模方法進展 123
7.1.2 基於PLS的兩模式矩陣間差異線性關繫分析方法 124
7.1.3 實驗分析 132
7.2 模式矩陣間差異的非線性關繫分析 145
7.2.1 非線性建模方法進展 145
7.2.2 基於KPLS的兩模式矩陣間差異非線性關繫分析方法 146
7.2.3 實驗分析 152
參考文獻 160
第三篇信息模式識別
第8章信息模式測度 165
8.1 交互距離測度 166
8.1.1 交互熵理論 166
8.1.2 對稱交互熵 167
8.2 關聯信息測度 170
8.2.1 關聯信息繫數 170
8.2.2 關聯信息測度的定義 171
8.3 信息距離測度 171
8.4 信息繫數測度 174
8.4.1 離散量 175
8.4.2 離散量的性質 175
8.4.3 信息繫數測度的定義 176
8.4.4 改進信息繫數測度 176
8.5 模糊熵測度 178
8.5.1 模糊熵公理化理論 179
8.5.2 模糊熵測度 180
8.5.3 模糊相對熵測度 182
8.6 模糊交互熵測度 183
8.6.1 模糊交互熵 183
8.6.2 模糊交互熵測度的定義 184
參考文獻 185
第9章信息特征壓縮 187
9.1 基於離差陣判據的信息特征壓縮 189
9.1.1 離差陣判據 189
9.1.2 基於離差陣判據的信息特征壓縮算法 190
9.2 基於概率距離判據的信息特征壓縮 192
9.2.1 概率距離判據 192
9.2.2 基於概率距離判據的信息特征壓縮算法 194
9.3 基於散度判據的信息特征壓縮 197
9.3.1 散度判據 197
9.3.2 基於散度判據的信息特征壓縮算法 198
9.4 基於信息熵判據的信息特征壓縮 199
9.4.1 信息熵判據 199
9.4.2 基於信息熵判據的信息特征壓縮算法 200
9.5 基於對稱交互熵判據的信息特征壓縮 202
9.5.1 對稱交互熵判據 202
9.5.2 基於對稱交互熵判據的信息特征壓縮算法 202
9.5.3 實例分析 205
9.5.4 結論 207
9.6 基於離散K-L變換的信息特征分析 207
9.6.1 優化理論模型 207
9.6.2 基於離散K-L變換的信息特征分析算法 209
9.6.3 應用模型 211
9.6.4 實例分析 212
9.6.5 結論 213
9.7 基於信息理論的主成分分析特征壓縮算法 213
9.7.1 主成分的幾何解釋 214
9.7.2 一種新的基於信息理論的主成分分析特征壓縮算法 215
9.7.3 實例分析 216
9.7.4 結論 220
9.7.5 主成分分析擴展研究 220
9.8 基於偏回歸分析的信息特征壓縮 222
9.8.1 主成分回歸 223
9.8.2 PLS回歸的建模思想 224
9.8.3 基於PLS的信息特征壓縮算法 225
9.8.4 實例分析 227
9.8.5 結論 229
參考文獻 230
第10章信息模式識別 231
10.1 信息聚類算法 231
10.1.1 信息繫數測度 231
10.1.2 基於信息繫數測度的信息聚類算法 231
10.1.3 改進的信息聚類算法 232
10.1.4 實例分析 234
10.1.5 結論 237
10.2 基於客觀熵權的信息模式識別算法 237
10.2.1 客觀熵權的確定 238
10.2.2 數據加權規範化 239
10.2.3 模式評價準則的確定 240
10.2.4 信息模式分類與識別 242
10.2.5 實例分析 242
10.2.6 結論 245
10.3 數據信息的關聯模式識別算法 246
10.3.1 模糊相對權重的構造 246
10.3.2 關聯度的確定 247
10.3.3 數據預處理 247
10.3.4 關聯模式識別算法 248
10.3.5 實例分析 248
10.3.6 結論 250
10.4 基於偏回歸分析的信息模式識別算法 250
10.4.1 基於偏*小二乘的信息模式識別算法 251
10.4.2 實例分析 252
10.4.3 結論 254
參考文獻 254
第11章神經網絡與分類 256
11.1 神經網絡概述 257
11.1.1 BP神經網絡 257
11.1.2 RBF神經網絡 258
11.1.3 結論 259
11.2 神經網絡集成分類模型 260
11.2.1 特征降維 260
11.2.2 神經網絡集成模型 262
11.2.3 實例分析 266
11.2.4 結論 267
11.3 進化神經網絡分類 267
11.3.1 基於GA的BP神經網絡 268
11.3.2 基於GA的RBF神經網絡 273
11.3.3 結論 276
11.4 粒度神經網絡分類模型 276
11.4.1 粒度RBF神經網絡的結構 277
11.4.2 粒度RBF神經網絡的學習算法 277
11.4.3 實例分析 280
11.4.4 結論 283
參考文獻 283
第12章支持向量機與分類 286
12.1 支持向量機 286
12.1.1 統計學習理論 286
12.1.2 支持向量機理論 287
12.2 模糊支持向量機 290
12.2.1 模糊支持向量機理論 291
12.2.2 基於超球的雙隸屬度模糊支持向量機 292
12.3 粒度支持向量機 296
12.3.1 粒度支持向量機理論 296
12.3.2 基於FCM隸屬度的粒度支持向量機 297
12.3.3 基於KFCM隸屬度的粒度支持向量機 300
12.4 孿生支持向量機 303
12.4.1 孿生支持向量機理論 303
12.4.2 投影孿生支持向量機 306
參考文獻 312

商品搜索

商品分类

【醫學】

【各大出版社】