图书介绍

数据挖掘理论、方法与应用pdf电子书版本下载

数据挖掘理论、方法与应用
  • 罗泽举著 著
  • 出版社: 北京:电子工业出版社
  • ISBN:9787121246333
  • 出版时间:2014
  • 标注页数:173页
  • 文件大小:22MB
  • 文件页数:184页
  • 主题词:数据采集

PDF下载


点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示:(请使用BT下载软件FDM进行下载)软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

下载说明

数据挖掘理论、方法与应用PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台)。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用!后期资源热门了。安装了迅雷也可以迅雷进行下载!

(文件页数 要大于 标注页数,上中下等多册电子书除外)

注意:本站所有压缩包均有解压码: 点击下载压缩包解压工具

图书目录

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 LM S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 三二维情形 54

3.1.3 三维情形 56

3.1.4 n维情形(n>3) 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 ε-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1 138

7.4.3 实验2 139

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1 150

8.3.2 实验2 151

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

精品推荐