☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

内容简介

　　《不确定信息的处理与知识挖掘》在作者对粗糙集相关理论进行研究及应用的基础上，系统论述了不确定信息的处理与知识挖掘理论、方法体系，囊括了包含作者近期成果在内的一些先进模型、算法和实例。主要内容包括：基于广义决策系统分割点区分度的连续属性离散化方法、基于改进粒子群优化的连续属性离散化方法、基于相对分辨矩阵和信息熵的属性约简算法、基于属性区分频度的约简改进算法、基于全局寻优的完备信息系统知识获取算法、基于相容矩阵计算的不完备信息系统知识获取算法，最后介绍了不确定信息的处理在城市交通领域中的应用研究。

目录

前言
第1章 绪论
1.1 背景介绍
1.1.1 产生背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 不确定信息处理研究
1.2.2 不确定信息知识发现研究
1.2.3 粗糙集理论及应用研究

第2章 粗糙集及其相关理论
2.1 引言
2.2 粗糙集理论的基本概念
2.2.1 知识与知识库
2.2.2 不精确范畴与近似集
2.2.3 近似精度与分类质量
2.3 知识的约简与决策规则
2.3.1 知识的约简与核
2.3.2 知识的相对约简与相对核
2.3.3 知识的依赖性及依赖度
2.3.4 决策系统与决策规则
2.4 粗糙集扩展模型
2.4.1 概率粗糙集模型
2.4.2 相容粗糙集模型
2.4.3 相似粗糙集模型
2.4.4 限制容差关系粗糙集模型

第3章 决策系统中连续数据的离散化
3.1 引言
3.2 粗糙集中离散化问题描述
3.3 典型的连续属性离散化算法
3.4 基于布尔逻辑的离散化算法及其改进
3.4.1 基于布尔逻辑的离散化算法
3.4.2 改进的启发式离散化算法
3.4.3 算法分析
3.4.4 实验结果及分析
3.4.5 实例分析
3.5 基于改进粒子群优化算法的连续属性离散化
3.5.1 改进粒子群优化算法相关概念
3.5.2 粒子群优化算法及其改进
3.5.3 基于改进粒子群优化算法的连续属性离散化
3.5.4 算法分析
3.5.5 实验结果及分析
3.6 粗糙集离散化算法的评价

第4章 决策系统中不确定信息约简
4.1 引言
4.2 典型的属性约简算法
4.2.1 基于分辨矩阵的约简算法
4.2.2 基于属性依赖度的约简算法
4.2.3 基于互信息的启发式约简算法
4.2.4 基于遗传算法的属性约简算法
4.3 属性约简的一种新型启发式算法
4.3.1 相对分辨矩阵
4.3.2 算法理论基础
4.3.3 算法描述
4.3.4 算法分析
4.3.5 实例分析
4.4 基于属性区分频度的约简改进算法
4.4.1 求异矩阵
4.4.2 算法原理
4.4.3 算法描述
4.4.4 算法分析
4.4.5 实例分析

第5章 决策系统中不确定信息知识挖掘
5.1 引言
5.2 典型的决策规则获取算法
5.2.1 一般值约简算法
5.2.2 基于决策矩阵的规则获取算法
5.2.3 基于投影的缺损规则获取算法
5.3 全局寻优的完备信息系统规则获取算法
5.3.1 连续属性离散化
5.3.2 属性约简
5.3.3 属性值约简
5.3.4 算法描述
5.3.5 决策解释
5.3.6 算法分析
5.3.7 实例分析
5.4 不完备信息系统的规则获取算法
5.4.1 不完备信息系统与广义决策函数
5.4.2 条件属性矩阵和决策属性矩阵
5.4.3 基于矩阵的不完备信息决策系统规则获取算法
5.4.4 算法分析
5.4.5 实例分析

第6章 不确定信息处理在城市交通管理中的应用
6.1 引言
6.2 城市交通管理中的不确定性因素分析
6.3 城市交通管理中交通流状态识别概述
6.3.1 交通流状态模式识别
6.3.2 交通流状态模式识别过程
6.3.3 交通流状态模式识别方法
6.4 基于不确定信息的交通流状态模式分类
6.4.1 特征属性选取
6.4.2 交通流状态模式分类知识发现
6.4.3 集成分类系统
6.5 应用实例分析
6.5.1 数据来源及预处理
6.5.2 特征属性约简
6.5.3 交通流状态模式分类知识发现
6.5.4 交通流状态模式分析与预测

参考文献

精彩书摘

　　《不确定信息的处理与知识挖掘》：
　　（4）遗传算法
　　遗传算法是Holland于1967年提出的模拟生物进化过程的知识发现模型，是由计算机科学和自然遗传学相互交叉融合而成的一种计算方法。该算法由繁殖、交叉及变异三个基本算子组成，在执行过程中，首先对问题的可能解进行编码，产生初始种群，其次计算种群的适应度值，选择适应度值大的种群进行复制、交叉和变异等遗传操作，最后产生新的种群。经过多次遗传操作，直至得到满足要求的种群，从而求得最优解。遗传算法具有很强的并行性和鲁棒性，在优化计算、机器学习等领域有着广泛的应用。但随着数据集规模的增大，该算法会存在早熟收敛等问题。
　　1.2.3 粗糙集理论及应用研究
　　粗糙集理论是一种处理不完整性和不确定性问题的新型数学工具。它自1982年提出以来，无论是在理论还是在应用上都是一种新的、重要的、迅速发展的解决多属性决策问题的方法。由于粗糙集理论利用上近似集和下近似集这一崭新角度来描述系统的不确定性，它一经提出便得到了美国著名控制学家、模糊集之父Zadeh L.A.的高度重视和评价，并将其列入他新提倡的软计算的基础理论之中。近年来，粗糙集理论在世界上发展非常迅速，对粗糙集理论的研究主要集中在数学性质、模型拓展、与其他不确定性理论的结合以及粗糙集知识发现等。这些研究有的是纯理论的，有的是受应用推动而产生的。
　　1.粗糙集数学性质方面
　　在粗糙集理论数学性质方面，主要研究粗糙集的代数结构、拓扑结构、粗糙逻辑以及粗糙集的收敛性等问题。Bonikowaki Z.[59]对粗糙集的代数结构和拓扑结构以及粗糙集的收敛性等问题进行了分析讨论，对粗糙逻辑的研究主要集中在Rough逻辑及处理近似推理的逻辑工具上。如Lin T.Y.和Liu Q.[60]等基于拓扑学观点定义了粗糙上近似算子L和下近似算子H，并建立了带有这两个算子的近似推理的逻辑演绎系统；Liu Q还提出了带算子L和H的Rough逻辑的近似推理模式和归结原理，并证明了它的归结完备性定理。此后，Liau C.J.和Yao Y.Y.对应于各种非经典逻辑将决策逻辑进行了拓展，它们大多关注某个决策系统的知识表示；而Fan T.F.等则在多个决策系统上拓展了决策逻辑。
　　……

前言/序言

不确定信息的处理与知识挖掘 [Processing And Discovery Of Uneertain Information] 电子书 下载 mobi epub pdf txt

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

类似图书 点击查看全场最低价