多粒度大數(shù)據(jù)分析方法：以引領(lǐng)樹和云模型為例

目錄
序
前言
本書常用記號
第1章 緒論 1
1.1 大數(shù)據(jù) 2
1.1.1 大數(shù)據(jù)的定義 2
1.1.2 大數(shù)據(jù)處理研究現(xiàn)狀 3
1.2 基于粒計(jì)算的大數(shù)據(jù)分析 4
1.2.1 粒計(jì)算概述 4
1.2.2 粒計(jì)算在大數(shù)據(jù)分析中的優(yōu)勢 7
1.2.3 大數(shù)據(jù)的粒計(jì)算分析框架 8
1.3 本章小結(jié) 9
參考文獻(xiàn) 10
第2章 預(yù)備知識 13
2.1 基于密度峰值的聚類 13
2.1.1 DPC 中心的特征 14
2.1.2 中心點(diǎn)和異常點(diǎn)特征 14
2.1.3 算法步驟 15
2.1.4 與其他聚類方法的對比分析 15
2.2 云模型簡介 16
2.2.1 云模型的定義 16
2.2.2 高斯云模型 17
2.3 學(xué)習(xí)過程的效率評價(jià) 19
2.3.1 時間復(fù)雜性 19
2.3.2 空間復(fù)雜性 20
2.4 學(xué)習(xí)結(jié)果的準(zhǔn)確性評價(jià) 20
2.4.1 聚類評價(jià) 20
2.4.2 分類評價(jià) 22
2.4.3 回歸分析評價(jià) 23
2.5 本章小結(jié) 23
參考文獻(xiàn) 24
第3章 基于引領(lǐng)樹的高效多粒度聚類25
3.1 引言 25
3.2 DenPEHC算法 27
3.2.1 DPC中γ參數(shù)*線的分析 28
3.2.2 聚類中心點(diǎn)的自動選擇 29
3.2.3 DPC中的引領(lǐng)樹 32
3.2.4 DenPEHC算法描述 33
3.2.5 異常點(diǎn)檢測 35
3.2.6 復(fù)雜性分析 37
3.3 海量高維數(shù)據(jù)的DenPEHC聚類 37
3.3.1 海量高維數(shù)據(jù)的多粒度聚類.37
3.3.2 DenPEHC-LSHD算法 38
3.3.3 類別屬性取值的距離度量 39
3.3.4 子集規(guī)模的確定 40
3.3.5 水平?；募铀傩?yīng) 41
3.4 實(shí)驗(yàn)及結(jié)果分析 41
3.4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 41
3.4.2 實(shí)驗(yàn)結(jié)果與分析 42
3.5 本章小結(jié) 50
參考文獻(xiàn) 50
第4章 基于胖節(jié)點(diǎn)引領(lǐng)樹和密度峰值的數(shù)據(jù)流聚類.54
4.1 引言 54
4.2 引領(lǐng)樹結(jié)構(gòu)中的偏序關(guān)系 58
4.3 DP-Stream算法.58
4.3.1 引領(lǐng)樹和胖節(jié)點(diǎn)引領(lǐng)樹的粒化.60
4.3.2 異常點(diǎn)檢測 61
4.3.3 胖節(jié)點(diǎn)引領(lǐng)樹的增量式更新.63
4.3.4 概念漂移檢測 66
4.3.5 數(shù)據(jù)老化與弱節(jié)點(diǎn)刪除 68
4.4 復(fù)雜性分析 68
4.5 實(shí)驗(yàn)及結(jié)果分析 69
4.5.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 69
4.5.2 實(shí)驗(yàn)結(jié)果與分析 71
4.6 本章小結(jié) 82
參考文獻(xiàn) 83
第5章 基于引領(lǐng)樹的*優(yōu)?；土餍涡畔⒘１硎?86
5.1 引言 86
5.2 基于局部密度的*優(yōu)?；?88
5.3 信息粒的流形描述 90
5.3.1 信息粒的流形描述子構(gòu)建 91
5.3.2 從流形描述子重建數(shù)據(jù) 92
5.3.3 流形描述子的評價(jià) 94
5.4 LoDOG信息粒的可解釋性 95
5.5 復(fù)雜性分析 97
5.5.1 LoDOG復(fù)雜性分析 97
5.5.2 關(guān)于流形描述子的復(fù)雜性 97
5.5.3 與其他研究工作的關(guān)系 98
5.6 實(shí)驗(yàn)及結(jié)果分析 100
5.6.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 100
5.6.2 實(shí)驗(yàn)結(jié)果與分析 100
5.7 本章小結(jié) 111
參考文獻(xiàn) 111
第6章 *優(yōu)引領(lǐng)森林上的非迭代式標(biāo)簽傳播 115
6.1 引言 115
6.2 *優(yōu)引領(lǐng)森林上的標(biāo)簽傳播 116
6.2.1 LaPOLeaF標(biāo)簽傳播的三階段分析 117
6.2.2 LaPOLeaF 算法 120
6.3 新增數(shù)據(jù)的快速學(xué)習(xí) 122
6.4 針對大數(shù)據(jù)的LaPOLeaF 123
6.4.1 分治法與并行計(jì)算策略 123
6.4.2 使用LSH的近似計(jì)算方法 125
6.5 分析與討論 126
6.5.1 復(fù)雜性分析 126
6.5.2 與其他方法的關(guān)系討論 127
6.6 實(shí)驗(yàn)及結(jié)果分析 127
6.6.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集 127
6.6.2 實(shí)驗(yàn)結(jié)果與分析.128
6.6.3 ImageNet2012數(shù)據(jù)子集 132
6.7 LaPOLeaF在水質(zhì)預(yù)測中的應(yīng)用 133
6.8 本章小結(jié) 135
參考文獻(xiàn) 136
第7章 基于二維正態(tài)云的時間序列?；稻S 139
7.1 引言 139
7.2 分段二維正態(tài)云表示方法 140
7.3 基于2D-NCR的時間序列相似性度量 142
7.4 時間復(fù)雜度分析 147
7.5 實(shí)驗(yàn)及結(jié)果分析 148
7.5.1 實(shí)驗(yàn)設(shè)置 148
7.5.2 時間序列分類實(shí)驗(yàn) 149
7.5.3 時間序列聚類實(shí)驗(yàn) 153
7.6 本章小結(jié) 156
參考文獻(xiàn) 156
第8章 基于高斯云變換和模糊時間序列的多粒度水質(zhì)預(yù)測 159
8.1 引言 159
8.2 高斯云變換 160
8.3 多粒度水質(zhì)預(yù)測模型 162
8.3.1 論域分區(qū) 163
8.3.2 近似周期性 164
8.3.3 模糊時間序列預(yù)測模型 165
8.3.4 自適應(yīng)期望模型 168
8.4 實(shí)驗(yàn)及結(jié)果分析 168
8.4.1 實(shí)驗(yàn)數(shù)據(jù)集 169
8.4.2 實(shí)驗(yàn)設(shè)置 169
8.4.3 DO預(yù)測實(shí)驗(yàn) 170
8.4.4 CODMn指數(shù)預(yù)測實(shí)驗(yàn) 174
8.5 本章小結(jié) 178
參考文獻(xiàn) 178