书籍详情
动态数据流分类方法及其在民族信息数据挖掘中的应用
作者：姚远，张俊星，徐国凯 著
出版社：电子工业出版社
出版时间：2014-11-01
ISBN：9787121246524
定价：¥48.00
购买这本书可以去
内容简介
本书是国家科技支撑计划“民族特需品数字化关键技术研究及示范应用”课题的成果。它以民族特需品多媒体数据库的建立为平台，利用文字、图片、音频、视频、动画、逆工程及虚拟现实技术为方法，讲述民族特需品数字化挖掘、整理及展示的技术与方法。书中内容涵盖了：民族特需品数字化解决方案、特需品多媒体数据库建设、特需品数字媒体技术、基于模式识别的特需品自动录入技术、特需品网站自动生成技术、特需品多媒体数据库自动检索技术、特需品多媒体数据库中的数字版权等问题。
作者简介
徐国凯，大连民族学院机电信息学院院长，教授，长期致力自动化专业教学和民族特需品文化数字化保护。获得国家科技支撑计划“民族特需品数字化关键技术研究及示范应用”课题支持。
目录
第1章 绪论 / 4
1．1 引言 / 5
1．2 数据挖掘概述 / 6
1．2．1 数据挖掘基本概念介绍 / 6
1．2．2 数据挖掘基本技术介绍 / 15
1．3 动态数据挖掘概述 / 21
1．3．1 动态数据挖掘概念介绍 / 22
1．3．2 数据流挖掘研究意义 / 22
1．3．3 动态数据分类方法国内外
研究现状 / 23
1．4 本章小结 / 29
第2章 数据流挖掘技术 / 31
2．1 概述 / 31
2．2 数据流挖掘相关技术
简介 / 38
2．2．1 滑动窗口技术 / 38
2．2．2 动态抽样技术 / 40
2．2．3 数据概要方法 / 41
2．2．4 更新策略 / 46
2．2．5 数据流预处理技术 / 47
2．3 数据流挖掘基本算法
介绍 / 52
2．3．1 数据流聚类算法 / 53
2．3．2 数据流分类算法 / 60
2．3．3 数据流频繁规则挖掘
算法 / 66
2．3．4 多数据流挖掘算法 / 69
2．4 数据流挖掘技术相关
应用 / 72
2．5 本章小结 / 74
第3章 集成学习数据流分类
技术 / 75
3．1 概述 / 75
3．1．1 集成学习基本理论 / 75
3．1．2 集成学习研究现状 / 79
3．2 Learn++系列算法 / 80
3．2．1 Learn++介绍 / 80
3．2．2 Learn++．NC / 82
3．2．3 Learn++．DF / 84
3．2．4 Learn++．MF / 85
3．2．5 Learn++．NSE / 86
3．3 基于SVM-SOM的数据
流混合分类方法 / 88
3．3．1 SVM模型介绍 / 89
3．3．2 SOM模型介绍 / 90
3．3．3 粒子群与遗传算法介绍 / 91
3．3．4 SVM-SOM混合模型构建
方法 / 92
3．4 集成学习结果合并方法 / 97
3．4．1 基于均值的合并方法 / 97
3．4．2 投票合并方法 / 99
3．4．3 其他合并方法 / 102
3．5 本章小结 / 102
第4章 增量式学习数据流分类
方法 / 104
4．1 概述 / 104
4．2 传统分类器存在问题及
解决方法 / 104
4．3 增量式相关算法介绍 / 106
4．4 基于轮转式结构的增量
式数据流分类模型 / 110
4．4．1 算法介绍 / 110
4．4．2 实验及结果分析 / 113
4．6 其他增量式分类模型
介绍 / 116
4．6．1 基于增量式学习的极端
学习机分类模型 / 116
4．6．2 数据流可调节增量学习
模型 / 119
4．6．3 基于增量式学习的非稳定
数据流分类模型 / 121
4．6．4 基于增量式学习的LSVM
模型 / 123
4．7 本章小结 / 127
第5章 数据流概念漂移挖掘
方法 / 128
5．1 概述 / 128
5．1．1 概念漂移介绍 / 128
5．1．2 概念漂移研究现状 / 130
5．1．3 概念漂移检测方法介绍 / 130
5．3 基于KL-distance的数据
流分类模型 / 131
5．3．1 算法介绍 / 131
5．3．2 实验结果 / 136
5．4 基于集成学习的概念漂
移分类模型 / 141
5．4．1 算法介绍 / 141
5．4．2 实验结果 / 143
5．4 概念漂移可视化研究 / 144
5．4．1 可视化算法介绍 / 144
5．4．2 实验结果 / 146
5．5 本章小结 / 149
第6章 民族信息数据流挖掘
应用 / 150
6．1 概述 / 150
6．2 少数民族信息数据挖掘
现状 / 154
6．3 数据流分类在少数民族信息挖掘中的应用――少数民族乐器分类模型 / 156
6．3．1 模型框架 / 156
6．3．2 算法介绍 / 157
6．3．3 实验结果及分析 / 159
6．4 本章小结 / 161
参考文献 / 162
1．1 引言 / 5
1．2 数据挖掘概述 / 6
1．2．1 数据挖掘基本概念介绍 / 6
1．2．2 数据挖掘基本技术介绍 / 15
1．3 动态数据挖掘概述 / 21
1．3．1 动态数据挖掘概念介绍 / 22
1．3．2 数据流挖掘研究意义 / 22
1．3．3 动态数据分类方法国内外
研究现状 / 23
1．4 本章小结 / 29
第2章 数据流挖掘技术 / 31
2．1 概述 / 31
2．2 数据流挖掘相关技术
简介 / 38
2．2．1 滑动窗口技术 / 38
2．2．2 动态抽样技术 / 40
2．2．3 数据概要方法 / 41
2．2．4 更新策略 / 46
2．2．5 数据流预处理技术 / 47
2．3 数据流挖掘基本算法
介绍 / 52
2．3．1 数据流聚类算法 / 53
2．3．2 数据流分类算法 / 60
2．3．3 数据流频繁规则挖掘
算法 / 66
2．3．4 多数据流挖掘算法 / 69
2．4 数据流挖掘技术相关
应用 / 72
2．5 本章小结 / 74
第3章 集成学习数据流分类
技术 / 75
3．1 概述 / 75
3．1．1 集成学习基本理论 / 75
3．1．2 集成学习研究现状 / 79
3．2 Learn++系列算法 / 80
3．2．1 Learn++介绍 / 80
3．2．2 Learn++．NC / 82
3．2．3 Learn++．DF / 84
3．2．4 Learn++．MF / 85
3．2．5 Learn++．NSE / 86
3．3 基于SVM-SOM的数据
流混合分类方法 / 88
3．3．1 SVM模型介绍 / 89
3．3．2 SOM模型介绍 / 90
3．3．3 粒子群与遗传算法介绍 / 91
3．3．4 SVM-SOM混合模型构建
方法 / 92
3．4 集成学习结果合并方法 / 97
3．4．1 基于均值的合并方法 / 97
3．4．2 投票合并方法 / 99
3．4．3 其他合并方法 / 102
3．5 本章小结 / 102
第4章 增量式学习数据流分类
方法 / 104
4．1 概述 / 104
4．2 传统分类器存在问题及
解决方法 / 104
4．3 增量式相关算法介绍 / 106
4．4 基于轮转式结构的增量
式数据流分类模型 / 110
4．4．1 算法介绍 / 110
4．4．2 实验及结果分析 / 113
4．6 其他增量式分类模型
介绍 / 116
4．6．1 基于增量式学习的极端
学习机分类模型 / 116
4．6．2 数据流可调节增量学习
模型 / 119
4．6．3 基于增量式学习的非稳定
数据流分类模型 / 121
4．6．4 基于增量式学习的LSVM
模型 / 123
4．7 本章小结 / 127
第5章 数据流概念漂移挖掘
方法 / 128
5．1 概述 / 128
5．1．1 概念漂移介绍 / 128
5．1．2 概念漂移研究现状 / 130
5．1．3 概念漂移检测方法介绍 / 130
5．3 基于KL-distance的数据
流分类模型 / 131
5．3．1 算法介绍 / 131
5．3．2 实验结果 / 136
5．4 基于集成学习的概念漂
移分类模型 / 141
5．4．1 算法介绍 / 141
5．4．2 实验结果 / 143
5．4 概念漂移可视化研究 / 144
5．4．1 可视化算法介绍 / 144
5．4．2 实验结果 / 146
5．5 本章小结 / 149
第6章 民族信息数据流挖掘
应用 / 150
6．1 概述 / 150
6．2 少数民族信息数据挖掘
现状 / 154
6．3 数据流分类在少数民族信息挖掘中的应用――少数民族乐器分类模型 / 156
6．3．1 模型框架 / 156
6．3．2 算法介绍 / 157
6．3．3 实验结果及分析 / 159
6．4 本章小结 / 161
参考文献 / 162
猜您喜欢
