《數據挖掘技術及其在恆星光譜分析中的套用研究》是2021年電子工業出版社出版的圖書，作者是劉忠寶。
基本介紹
- 中文名：數據挖掘技術及其在恆星光譜分析中的套用研究
- 作者：劉忠寶
- 出版社：電子工業出版社
- 出版時間：2021年4月
- 頁數：200 頁
- 定價：89 元
- 開本：128 開
- 裝幀：平裝
- ISBN：9787121351679
內容簡介,目錄,
內容簡介
本書針對當前恆星光譜分析面臨的主要問題，利用數據挖掘方法，對恆星光譜分類、稀有天體光譜自動發現、天文大數據挖掘等方面的內容展開研究。本書將定性與定量研究、理論與實證研究相結合，融合多個學科的研究成果，在研究方法和手段上有所創新。本書既有翔實的理論闡述，又有系列的公式推導，嚴謹可信，具有較高的理論研究價值；同時，本書提出的一些新型模型和理論框架具有較高的套用價值。
目錄
第1章 數據挖掘研究進展 1
1.1 數據挖掘基本理論 1
1.2 數據挖掘存在的問題 8
1.3 數據挖掘研究現狀 9
1.3.1 特徵降維 9
1.3.2 智慧型分類 12
1.3.3 聚類分析 13
1.4 研究思路 15
第2章 特徵降維方法研究 16
2.1 背景知識 16
2.1.1 線性判別分析 16
2.1.2 保局投影算法 18
2.2 基於多階矩陣組合的LDA 19
2.3 標量化的線性判別分析算法 20
2.4 基於矩陣指數的線性判別分析算法 22
2.5 基於圖的數據降維方法 24
2.6 融合全局和局部特徵的特徵提取方法 26
2.6.1 最最佳化問題 27
2.6.2 算法描述 28
2.6.3 複雜度分析 28
2.7 基於Fisher準則的半監督數據降維方法 29
2.8 特徵提取新視角：基於Parzen窗估計的方法 31
2.8.1 Parzen窗 31
2.8.2 Parzen窗與LPP 32
2.8.3 Parzen窗與LDA 35
2.8.4 Parzen窗與PCA 38
2.8.5 推廣性結論 41
第3章 基於數據分布特徵的智慧型分類方法 42
3.1 背景知識 42
3.1.1 支持向量機 42
3.1.2 支持向量數據描述 43
3.1.3 流形判別分析 44
3.1.4 模糊理論 45
3.1.5 核心向量機 46
3.2 基於流形判別分析的全局保序學習機 46
3.2.1 GRPLM原理 48
3.2.2 大規模分類 51
3.3 基於最大散度差的保序分類算法 52
3.3.1 最最佳化問題 52
3.3.2 大規模分類 54
3.4 最小流形類內離散度支持向量機 54
3.4.1 MCVSVM 55
3.4.2 最小MWCS支持向量機 56
3.4.3 理論分析 58
3.5 基於核密度估計與熵理論的最大間隔學習機 59
3.5.1 核密度估計和熵理論 59
3.5.2 MEKLM原理 60
3.5.3 理論分析 63
第4章 基於決策邊界的智慧型分類方法 66
4.1 支持向量數據描述 66
4.2 具有N-S磁極效應的最大間隔模糊分類器 67
4.2.1 N-S磁極效應 68
4.2.2 MPMMFC原理 68
4.2.3 理論分析 72
4.3 基於光束角思想的最大間隔學習機 73
4.3.1 光束角 74
4.3.2 BAMLM原理 74
4.3.3 CCMEB及BACVM 78
4.4 面向大規模數據的模糊支持向量數據描述 79
4.4.1 模糊支持向量數據描述 79
4.4.2 FSVDD-CVM 81
4.5 基於信度的BP神經網路 82
4.5.1 BP神經網路 83
4.5.2 基於信度的BP算法 85
第5章 天文數據挖掘研究進展 87
5.1 引言 87
5.2 大型巡天項目 87
5.3 天文數據的特點 90
5.4 天文學中的數據挖掘 91
5.4.1 天文數據挖掘的必要性 92
5.4.2 天文數據挖掘的主要任務 92
5.5 天文數據挖掘套用研究 94
5.6 光譜自動分類方法研究 96
第6章 基於支持向量機及其變種的恆星光譜分類方法 99
6.1 基於流形模糊雙支持向量機的恆星光譜分類方法 99
6.1.1 雙支持向量機 99
6.1.2 流形模糊雙支持向量機 100
6.1.3 實驗分析 102
6.1.4 結論 103
6.2 基於多類支持向量機的恆星光譜分類方法 103
6.2.1 多類支持向量機 104
6.2.2 實驗分析 106
6.2.3 結論 107
6.3 基於流形判別分析和支持向量機的恆星光譜數據自動分類方法 107
6.3.1 基於流形判別分析的支持向量機 107
6.3.2 實驗分析 110
6.3.3 結論 111
6.4 基於最小類內散度、最大類間散度支持向量機的恆星光譜分類 111
6.4.1 MMSVM 111
6.4.2 實驗分析 112
6.4.3 結論 114
6.5 基於模糊最小類內散度支持向量機的恆星光譜分類 114
6.5.1 FMWSVM 114
6.5.2 實驗分析 115
6.5.3 結論 117
第7章 稀有天體光譜自動發現方法 118
7.1 利用基於熵的單類學習機發現稀有光譜 118
7.1.1 熵理論 119
7.1.2 基於熵的單類學習機 119
7.1.3 基於核心向量機的OCLM 120
7.1.4 實驗分析 121
7.1.5 結論 125
7.2 利用基於互信息的非平衡分類方法識別稀有光譜 125
7.2.1 背景知識 126
7.2.2 決策樹的構造 127
7.2.3 剪枝方法 128
7.2.4 基於互信息的代價缺失決策樹 128
7.2.5 實驗分析 129
7.2.6 結論 133
7.3 基於模糊大間隔最小球分類模型的恆星光譜離群數據挖掘方法 133
7.3.1 模糊大間隔最小球分類模型 133
7.3.2 實驗分析 136
7.3.3 結論 137
第8章 恆星光譜自動分類方法新發展 138
8.1 基於非線性學習機的大規模恆星光譜分類方法 138
8.1.1 非線性集成學習機 138
8.1.2 實驗分析 140
8.1.3 結論 145
8.2 基於Fisher準則和流形學習的恆星光譜分類方法 145
8.2.1 基於Fisher準則和流形學習的分類方法 146
8.2.2 CFCM與傳統降維方法的關係 150
8.2.3 實驗分析 150
8.2.4 結論 153
8.3 利用帶無標籤數據的雙支持向量機對恆星光譜分類 153
8.3.1 帶無標籤數據的雙支持向量機 153
8.3.2 算法描述 155
8.3.3 實驗分析 155
8.3.4 結論 157
第9章 天文大數據挖掘 158
9.1 研究背景 158
9.1.1 天文大數據 158
9.1.2 大數據處理技術 159
9.2 天文大數據處理的關鍵技術 161
9.2.1 天文大數據處理框架 161
9.2.2 天文大數據分散式存儲技術 164
9.2.3 天文大數據並行化計算技術 168
9.2.4 天文大數據分析方法 169
9.2.5 天文大數據處理技術存在的問題與不足 171
9.3 天文大數據機器學習 172
9.3.1 研究背景和問題 172
9.3.2 天文大數據機器學習系統的特徵 172
9.3.3 主要研究問題 173
9.3.4 研究進展 173
參考文獻 175
