復(fù)雜不完備數(shù)據(jù)智能分析方法

目錄
前言
第1章 復(fù)雜不確定性系統(tǒng)概述 1
1.1 復(fù)雜不確定系統(tǒng)描述 1
1.2 數(shù)據(jù)挖掘 3
1.2.1 數(shù)據(jù)庫知識發(fā)現(xiàn)概述 3
1.2.2 數(shù)據(jù)挖掘概述 4
1.3 復(fù)雜不確定性系統(tǒng)數(shù)據(jù)分析方法 4
1.3.1 概率統(tǒng)計方法 5
1.3.2 模糊數(shù)學(xué)方法 5
1.3.3 人工神經(jīng)網(wǎng)絡(luò)方法 6
1.3.4 其他數(shù)據(jù)分析方法 6
1.4 基于粗糙集的復(fù)雜不確定數(shù)據(jù)分析 6
1.4.1 粗糙集理論與知識發(fā)現(xiàn) 6
1.4.2 粗糙集理論的特征 7
1.4.3 粗糙集理論的基本概念 7
1.4.4 粗糙集理論處理復(fù)雜不確定數(shù)據(jù)的主要思想 13
1.5 聚類知識發(fā)現(xiàn) 13
1.5.1 聚類知識發(fā)現(xiàn)的基本原理 14
1.5.2 聚類知識發(fā)現(xiàn)的主要方法 14
1.5.3 聚類知識發(fā)現(xiàn)的研究方向 21
第2章 不完備數(shù)據(jù)填補方法 23
2.1 不完備數(shù)據(jù)產(chǎn)生的原因及分類 23
2.1.1 不完備數(shù)據(jù)的概念 23
2.1.2 不完備數(shù)據(jù)產(chǎn)生的原因 23
2.1.3 不完備數(shù)據(jù)的特點及分類機制 24
2.2 不完備數(shù)據(jù)填補方法描述 26
2.2.1 不完備數(shù)據(jù)填補方法概述 26
2.2.2 不完備數(shù)據(jù)填補準則 27
2.2.3 不完備數(shù)據(jù)處理方法 28
2.3 基于斷點的不完備數(shù)據(jù)填補算法 36
2.3.1 FUIDBP算法概述 36
2.3.2 FUIDBP算法同傳統(tǒng)算法比較 43
2.4 一種基于新型關(guān)系矩陣的數(shù)據(jù)填補方法 45
2.4.1 傳統(tǒng)粗糙集填補不完備數(shù)據(jù)方法的缺陷 45
2.4.2 新型關(guān)系矩陣概念 46
2.4.3 新型關(guān)系矩陣特點 48
2.4.4 新型關(guān)系矩陣數(shù)據(jù)填補方法描述 48
2.4.5 實驗驗證與分析 51
第3章 連續(xù)屬性離散化 57
3.1 基于超立方體和信息熵的連續(xù)屬性離散化算法 57
3.1.1 連續(xù)屬性離散化問題 57
3.1.2 DCASCE算法的思想及理論基礎(chǔ) 59
3.1.3 DCASCE算法描述 66
3.1.4 DCASCE算法應(yīng)用實例 67
3.1.5 DCASCE算法同其他離散化算法的比較 70
3.1.6 DCASCE算法復(fù)雜度分析 71
3.2 基于粗糙集的區(qū)間型離散化算法 72
3.2.1 離散化問題描述 72
3.2.2 區(qū)間值屬性離散化步驟 73
3.3 基于粗糙熵的區(qū)間型數(shù)據(jù)離散化算法 73
3.3.1 算法相關(guān)定義 73
3.3.2 離散化算法描述 75
3.4 一種新的區(qū)間型數(shù)據(jù)離散化算法 78
3.4.1 區(qū)間數(shù)相似度及其性質(zhì) 78
3.4.2 粗糙集及其離散化描述 79
3.4.3 離散化算法描述 80
3.4.4 算法分析改進 81
3.4.5 算法實例 82
3.4.6 實驗結(jié)果和分析 84
3.5 Naive Scaler改進算法 87
3.5.1 Naive Scaler算法及說明 88
3.5.2 改進的Naive Scaler算法描述 91
第4章 屬性約簡 94
4.1 基于信息量不完備信息系統(tǒng)的屬性約簡算法 94
4.1.1 容差關(guān)系及性質(zhì) 94
4.1.2 相容類的計算方法 95
4.1.3 不完備信息系統(tǒng)信息量、屬性重要性及正域 96
4.1.4 信息量屬性約簡理論 97
4.1.5 屬性約簡算法設(shè)計和實現(xiàn)過程 98
4.1.6 屬性約簡的增量式問題 100
4.1.7 系統(tǒng)實驗 102
4.1.8 屬性約簡在銀行信貸風(fēng)險管理方面的簡單應(yīng)用 103
4.2 基于粗糙度屬性約簡算法的研究 105
4.2.1 理論基礎(chǔ) 105
4.2.2 算法描述 106
4.2.3 實例分析 107
4.2.4 屬性約簡算法的復(fù)雜度分析 110
4.2.5 實驗結(jié)果與分析 111
4.3 不確定信息系統(tǒng)中基于粒細度的屬性約簡 111
4.3.1 傳統(tǒng)信息系統(tǒng)中求屬性約簡的缺陷 111
4.3.2 信息粒和粒計算 112
4.3.3 知識粒度的原理 113
4.3.4 新的粒度空間中知識粒度及其屬性重要性度量 114
4.3.5 不確定信息系統(tǒng)的粒度屬性約簡算法描述 117
4.3.6 程序?qū)崿F(xiàn) 121
4.4 基于不相容信息系統(tǒng)粒細度屬性約簡算法的改進 122
4.4.1 知識粒度屬性重要性度量 122
4.4.2 基于粒細度的屬性約簡算法改進 123
4.4.3 實例驗證 124
4.4.4 程序?qū)崿F(xiàn)及算法分析對比 127
4.5 變精度屬性約簡算法 131
4.5.1 變精度粗糙集理論基本概念 132
4.5.2 基于變精度粗糙集模型的約簡特征分析 134
4.5.3 變精度粗糙集模型約簡研究 141
4.6 基于變精度粗糙集模型的屬性約簡 150
4.6.1 幾種β約簡方法 150
4.6.2 幾種約簡之間的關(guān)系 151
4.6.3 β分布約簡的可辨識矩陣 151
4.6.4 實例分析 153
4.7 基于容差關(guān)系相似矩陣的折半啟發(fā)式屬性約簡算法 155
4.7.1 容差關(guān)系相似矩陣及屬性重要性 155
4.7.2 不完備信息系統(tǒng)折半啟發(fā)式約簡理論 157
4.7.3 算法設(shè)計和實現(xiàn)過程 158
4.7.4 程序?qū)崿F(xiàn) 162
第5章 規(guī)則提取 164
5.1 具有不確定屬性值的決策規(guī)則提取算法 164
5.1.1 基于掃描向量的屬性約簡算法 164
5.1.2 RASV算法的相關(guān)定理 166
5.1.3 RASV算法的描述 168
5.1.4 RASV算法實例 169
5.1.5 RASV算法同其他屬性約簡算法的比較 171
5.2 基于屬性值重要性和掃描向量的規(guī)則提取算法 172
5.2.1 REIAVSV算法的研究背景 172
5.2.2 REIAVSV算法的相關(guān)概念 174
5.2.3 REIAVSV算法的描述 174
5.2.4 REIAVSV算法應(yīng)用實例 175
5.3 基于決策樹的規(guī)則提取新算法 177
5.3.1 決策樹的描述 177
5.3.2 條件信息熵及其變體的說明 178
5.3.3 粗糙集與決策樹的分析 179
5.3.4 決策樹新的屬性重要性說明 179
5.3.5 算法描述及實例分析 182
第6章 聚類知識發(fā)現(xiàn) 186
6.1 基于掃描向量和區(qū)間值的聚類算法 186
6.1.1 CBSVIV算法的提出 186
6.1.2 CBSVIV算法的核心思想 187
6.1.3 CBSVIV算法的描述 188
6.1.4 數(shù)值實例 193
6.2 基于數(shù)據(jù)對的聚類算法 194
6.2.1 基于數(shù)據(jù)對的聚類問題 194
6.2.2 CBDP算法的思想 196
6.2.3 CBDP算法描述 196
6.2.4 CBDP算法實例 200
第7章 應(yīng)用實例 201
7.1 電信客戶市場細分問題分析 201
7.2 客戶市場細分的實現(xiàn) 202
7.2.1 基本數(shù)據(jù)結(jié)構(gòu) 202
7.2.2 數(shù)據(jù)預(yù)處理 203
7.2.3 客戶市場細分 208
參考文獻 212