基本信息
作 者:董威 著
叢 書 名:
出 版 社:東北大學出版社
ISBN:9787811027778
出版時間:2009-12-01
版 次:1
頁 數:167
裝 幀:平裝
開 本:16開
所屬分類:圖書 > 計算機與網際網路 > 資料庫
內容簡介
《粗糙集理論及其數據挖掘套用》主要研究了粗糙集理論的改進算法及其在球團生產過程中質量數據挖掘和圖像處理數據挖掘中的套用問題,包括結合粒子群最佳化的粗糙集屬性約簡算法、條件粗糙熵的層次樹模型構造方法、加權TOPSIS偏序關係全序化方法等內容。
全書共八章,主要內容有粗糙集約簡及改進算法、粒子群算法最佳化變精度粗糙集規則獲取、層次樹模型在粗糙集約簡中的套用、加權TOPSIS的粗糙集偏序關係全序化等。為增加《粗糙集理論及其數據挖掘套用》的實用性,簡要介紹了改進後的粗糙集理論在球團質量和圖像數據挖掘中的套用。
《粗糙集理論及其數據挖掘套用》適合於從事粗糙集理論和套用研究的科技工作者閱讀,也可以作為計算機套用或控制理論等專業相關研究方向的碩士研究生、博士研究生的參考書。
目錄
第1章 導言
1.1 問題的提出
1.2 粗糙集理論及其研究現狀
1.3 球團生產系統數據挖掘
1.3.1 球團生產系統概述
1.3.2 鏈篦機——迴轉窯一環冷機工藝流程
1.3.3 粗糙集理論在質量數據挖掘中的套用現狀
1.4 粗糙集理論在圖像數據挖掘中的套用現狀
1.5 主要研究思路及內容安排
1.5.1 主要研究思路
1.5.2 內容安排
第2章 粗糙集約簡及改進算法
2.1 引言
2.2 粗糙集屬性約簡
2.2.1 粗糙近似
2.2.2 約簡與核
2.2.3 基於依賴度的相對屬性約簡
2.3 粗糙集理論不確定性分析
2.3.1 粗糙集理論對不確定性的處理能力
2.3.2 粗糙集不確定性量度
2.4 粗糙集最小屬性集選擇
2.4.1 粗糙集最小屬性集
2.4.2 屬性集選擇
2.4.3 屬性集選擇的貪心算法
2.4.4算例分析
2.5 基於遺傳算法的屬性相對約簡
2.6 基於離散粒子群算法的屬性約簡
2.6.1 粒子群最佳化算法
2.6.2 離散粒子群算法的屬性約簡算法實施
2.7 算例分析
2.8 小結
第3章 粒子群算法最佳化變精度粗糙集規則獲取
3.1 引言
3.2 可變精度粗糙集
3.2.1 變精度粗糙集中的近似集合
3.2.2 變精度粗糙集中近似集合的性質
3.3 決策規則測度分析
3.3.1 決策規則測度基本概念
3.3.2 閾值口對變精度粗糙規則集的影響
3.4 離散粒子群(DPSO)的變精度粗糙集規則獲取
3.4.1 離散粒子群(DPSO)的變精度粗糙集規則獲取
3.4.2 實例分析
3.5 對比分析
3.6 小結
第4章 層次樹模型在粗糙集約簡中的套用
4.1 引言
4.2 基於熵的粗糙集不確定性度量分析
4.2.1 信息熵
4.2.2 粗糙熵
4.2.3 知識粒度
4.2.4 引入粗糙度的粗糙熵
4.2.5 改進的粗糙熵
4.3 基於粗糙熵的屬性約簡
4.4 基於粗糙集的分層次挖掘算法
4.5 基於粗糙集的層次樹模型
4.5.1 構建層次樹模型
4.5.2 基於粗糙熵的層次樹約簡算法
4.5.3 實例分析
4.6 小結
第5章 加權TOPSIS的粗糙集偏序關係全序化
5.1 引言
5.2 偏序關係全序化
5.2.1 偏序關係
5.2.2 基於優勢度的偏序關係全序化
5.2.3 辨識矩陣方法求取偏序集的局限性
5.3 基於粗糙集和加權TOPSIS的偏序關係全序化
5.3.1 序數評估分值模型的權重確定簡化算法
5.3.2 加權IOPSIS多指標評價原理
5.3.3 套用實例
5.4 小結
第6章改進的粗糙集在球團質量數據挖掘中的套用
6.1 引言
6.2 鏈篦機——迴轉窯工藝與球團成球質量分析
6.2.1 鏈篦機——迴轉窯工藝介紹
6.2.2 球團成球質量參數分析
6.3 基於粗糙集理論的球團成球質量規則提取
6.3.1 條件屬性集合與決策屬性集合的確定
6.3.2 粗糙集決策表的建立
6.3.3 噪聲數據的處理
6.3.4 工藝參數時序分析
6.3.5 球團質量屬性約簡
6.3.6 規則查詢和操作指導
6.4 基於眾數的粗糙集的球團質量和參數相關性分析
6.4.1 基於眾數的粗糙集模型產生的必要性
6.4.2 基於眾數的粗糙集模型構造
6.4.3 基於眾數粗糙集球團質量和參數相關性分析實例
6.5 離散粒子群變精度粗糙集在成球質量判斷中的套用
6.5.1 基於粒子群的粗糙集約簡方法在成球質量判斷中的套用
6.5.2 基於粒子群的變精度粗糙集在成球質量判斷中的套用
6.6 測試結果分析
6.7 小結
第7章 粗糙集理論在圖像數據挖掘中的套用
7.1 引言
7.2 BP算法的基本原理和局限性
7.2.1 BP算法的基本原理
7.2.2 BP算法的局限性
7.3 基於PSO的BP神經網路最佳化
7.3.1 用PSO算法最佳化BP網路學習算法
7.3.2 實例分析
7.4 粗糙集——粒子群神經網路的圖像分割
7.4.1 粗糙集——粒子群神經網路模型
7.4.2 基於粗糙集——粒子群神經網路的圖像分割
7.5 小結
第8章 粗糙集在預混火焰實驗數據挖掘中的套用
8.1 引言
8.2 0H-PLIF測量裝置
8.3 預混火焰實驗
8.3.1 預混火焰實驗過程
8.3.2 實驗結果
8.4 基於粗糙集理論的預混火焰實驗數據挖掘
8.5 小結
參考文獻
前言
隨著科學技術的迅猛發展,複雜系統、不確定信息的數據挖掘日益成為人們生產和經濟等活動的迫切需要,成為新的研究和套用熱點。數據挖掘出現於20世紀80年代末,90年代得到了迅猛發展。數據挖掘是一個涉及多學科的研究領域,它涉及資料庫技術、人工智慧、模式識別等領域。粗糙集理論是在1982年提出的,經典ZPawlak粗糙集模型在等價關係的基礎上,引入上、下近似的概念,建立了粗糙集理論。粗糙集理論是一種建立在熵集上的理論。它為歸納機器學習建立了理論基礎;從該理論中提出的獨立約簡與正區域的概念出發,可以演變為對實際套用有重要意義的一系列理論。由於粗糙集理論不需要任何先驗知識,善於從海量強幹擾數據中挖掘潛在的有價值信息,無需提供問題所需處理數據集合以外的任何先驗信息,從而得到了眾多科研工作者的青睞。粗糙集理論作為數據挖掘中的一個重要方法,在很多領域都起到了重要的作用。但由於粗糙集理論需要套用者具有較艱深的數學基礎,從而嚴重影響了其廣泛套用。