当前位置:主页 > 计算机电子书 > 大数据分析 > 数据挖掘下载
数据挖掘理论、方法与应用

数据挖掘理论、方法与应用 PDF 超清版

  • 更新:2021-08-21
  • 大小:22.32MB
  • 类别:数据挖掘
  • 作者:罗泽举
  • 出版:电子工业出版社
  • 格式:PDF

  • 资源介绍
  • 相关推荐

本书共分10章。第1章介绍了数据挖掘方法的历史,另外讨论了统计学习的一般模型。第2、3、4章介绍了三种数据挖掘模型:人工神经网络、支持向量机和隐马尔可夫模型。第5章介绍了一种新型支持向量诱导回归模型,第6章介绍了一种基于快速训练算法的HMM/SVM混合系统,第7章介绍了分解向前算法及PCA/ICA降维SVM模型,第8章介绍了不对称支持向量机改进算法,第9章介绍了一种基于隐马尔可夫模型的多重序列分析方法,第10章介绍了一类基于SVM/RBF的气象模型预测系统。

目录

  • 第1章 绪论1
  • 1.1 研究背景2
  • 1.2 数据挖掘的基本数学问题5
  • 1.2.1 相关概念5
  • 1.2.2 统计学习的一般模型10
  • 1.3 数据的变换11
  • 参考文献13
  • 第2章 神经网络挖掘理论19
  • 2.1 神经智能19
  • 2.2 生物神经元和人工神经元21
  • 2.2.1 生物神经元21
  • 2.2.2 人工神经元23
  • 2.2.3 建立数学模型24
  • 2.2.4 单层与多层网络结构27
  • 2.2.5 网络学习方式32
  • 2.2.6 经典学习规则34
  • 2.3 LMS和SDA方法35
  • 2.3.1 平均平方误差函数36
  • 2.3.2 LMS和SDA算法39
  • 2.4 后向传播算法43
  • 2.4.1 概况43
  • 2.4.2 多层网络BP算法44
  • 参考文献50
  • 第3章 基于支持向量的挖掘理论52
  • 3.1 支持向量与分类超平面52
  • 3.1.1 一维情形52
  • 3.1.2 二维情形54
  • 3.1.3 三维情形56
  • 3.1.4 n维情形57
  • 3.1.5 核函数(内积回旋)思想58
  • 3.1.6 核函数定义63
  • 3.2 风险控制策略65
  • 3.2.1 VC维概念65
  • 3.2.2 经验风险最小化原则66
  • 3.2.3 结构风险最小化原则67
  • 3.3 样本被错分的讨论68
  • 3.3.1 最大间隔分类超平面68
  • 3.3.2 数据被错分的条件70
  • 3.4 最优化策略71
  • 3.5 分类与回归74
  • 3.5.1 分类算法74
  • 3.5.2 回归算法78
  • 3.5.3 解的全局最优讨论80
  • 3.6 几种经典算法描述82
  • 3.6.1 分解算法82
  • 3.6.2 分块算法83
  • 3.6.3 序贯最小化算法84
  • 3.6.4 核函数构造算法85
  • 参考文献85
  • 第4章 隐马尔可夫挖掘理论87
  • 4.1 马尔可夫思想87
  • 4.2 隐马尔可夫链90
  • 4.3 隐马尔可夫模型94
  • 4.3.1 隐马尔可夫模型定义94
  • 4.3.2 三个基本算法95
  • 参考文献102
  • 第5章 新型支持向量诱导回归模型及应用104
  • 5.1 新型支持向量诱导回归模型104
  • 5.1.1 不敏感损失函数104
  • 5.1.2 系统模型106
  • 5.2 时间序列分析的相空间重构108
  • 5.2.1 相空间重构108
  • 5.2.2 性能评价指标109
  • 5.2.3 重构模式的近似算法110
  • 5.3 预测置信度估计110
  • 5.4 实验结果111
  • 5.4.1 参数的确定111
  • 5.4.2 预测指数分析112
  • 5.4.3 预测结果113
  • 5.4.4 SVM和传统神经网络的比较115
  • 5.4.5 讨论116
  • 参考文献117
  • 第6章 基于快速训练算法的HMM/SVM混合系统118
  • 6.1 L值定义118
  • 6.2 快速训练算法和HMM/SVM混合过滤模型119
  • 6.2.1 基于HMM的快速训练算法119
  • 6.2.2 HMM/SVM的双层混合系统模型120
  • 6.3 实验结果121
  • 6.3.1 数据的获取及序列的编码122
  • 6.3.2 DNA的两类和多类分类识别123
  • 6.3.3 讨论126
  • 参考文献127
  • 第7章 分解向前算法及PCA/ICA降维SVM模型129
  • 7.1 主成分分析(PCA)的数学模型129
  • 7.2 独立成分分析(ICA)的数学模型131
  • 7.3 分解向前支持向量机133
  • 7.3.1 三个距离区域133
  • 7.3.2 分解向前算法134
  • 7.3.3 DFSVM算法复杂度分析136
  • 7.3.4 PCA—DFSVM及ICA—DFSVM降维模型137
  • 7.4 实验结果138
  • 7.4.1 SCOP数据库138
  • 7.4.2 实验1138
  • 7.4.3 实验2139
  • 7.4.4 各项实验指标比较140
  • 7.4.5 讨论141
  • 参考文献141
  • 第8章 不对称支持向量机改进算法及应用143
  • 8.1 不对称支持向量机143
  • 8.1.1 样本的不对称性143
  • 8.1.2 不对称支持向量机算法143
  • 8.1.3 不对称SVM分类迭代模型146
  • 8.2 几种多分类问题的算法复杂度估计146
  • 8.3 实验结果149
  • 8.3.1 实验1150
  • 8.3.2 实验2151
  • 8.3.3 MISVM和标准SVM实验指标比较153
  • 参考文献155
  • 第9章 基于隐马尔可夫模型的多重序列分析156
  • 9.1 研究背景156
  • 9.2 多重序列比对157
  • 9.2.1 多重序列比对的描述157
  • 9.2.2 特征序列158
  • 9.3 隐马尔可夫模型的序列描述158
  • 9.4 建立多重序列隐马尔可夫轮廓图160
  • 9.5 实验结果和讨论161
  • 9.5.1 Pfam数据库简介161
  • 9.5.2 建立隐马尔可夫模型162
  • 9.5.3 检验HMMS模型162
  • 9.5.4 用HMMS进行蛋白质家族的模式分类163
  • 9.6 关于模型的局限性讨论164
  • 参考文献165
  • 第10章 一类基于SVM/RBF的气象模型预测系统167
  • 10.1 支持向量机回归模型167
  • 10.1.1 回归支持向量机167
  • 10.1.2 模型中几个重要参数分析168
  • 10.2 温度序列数据分析169
  • 10.3 决策函数的确定170
  • 10.4 预测结果分析171
  • 10.5 结论173
  • 参考文献173
  • 特别提示:本资源需要会员组权限,普通注册用户无法下载.

资源下载

资源下载地址1:https://pan.baidu.com/s/1o6pU0cAfD6LkNK9gWSiVOw

相关资源

网友留言