多粒度大数据分析方法:以引领树和云模型为例

目录 序 前言 本书常用记号 第1章 绪论 1 1.1 大数据 2 1.1.1 大数据的定义 2 1.1.2 大数据处理研究现状 3 1.2 基于粒计算的大数据分析 4 1.2.1 粒计算概述 4 1.2.2 粒计算在大数据分析中的优势 7 1.2.3 大数据的粒计算分析框架 8 1.3 本章小结 9 参考文献 10 第2章 预备知识 13 2.1 基于密度峰值的聚类 13 2.1.1 DPC 中心的特征 14 2.1.2 中心点和异常点特征 14 2.1.3 算法步骤 15 2.1.4 与其他聚类方法的对比分析 15 2.2 云模型简介 16 2.2.1 云模型的定义 16 2.2.2 高斯云模型 17 2.3 学习过程的效率评价 19 2.3.1 时间复杂性 19 2.3.2 空间复杂性 20 2.4 学习结果的准确性评价 20 2.4.1 聚类评价 20 2.4.2 分类评价 22 2.4.3 回归分析评价 23 2.5 本章小结 23 参考文献 24 第3章 基于引领树的高效多粒度聚类25 3.1 引言 25 3.2 DenPEHC算法 27 3.2.1 DPC中γ参数*线的分析 28 3.2.2 聚类中心点的自动选择 29 3.2.3 DPC中的引领树 32 3.2.4 DenPEHC算法描述 33 3.2.5 异常点检测 35 3.2.6 复杂性分析 37 3.3 海量高维数据的DenPEHC聚类 37 3.3.1 海量高维数据的多粒度聚类.37 3.3.2 DenPEHC-LSHD算法 38 3.3.3 类别属性取值的距离度量 39 3.3.4 子集规模的确定 40 3.3.5 水平粒化的加速效应 41 3.4 实验及结果分析 41 3.4.1 实验环境与数据集 41 3.4.2 实验结果与分析 42 3.5 本章小结 50 参考文献 50 第4章 基于胖节点引领树和密度峰值的数据流聚类.54 4.1 引言 54 4.2 引领树结构中的偏序关系 58 4.3 DP-Stream算法.58 4.3.1 引领树和胖节点引领树的粒化.60 4.3.2 异常点检测 61 4.3.3 胖节点引领树的增量式更新.63 4.3.4 概念漂移检测 66 4.3.5 数据老化与弱节点删除 68 4.4 复杂性分析 68 4.5 实验及结果分析 69 4.5.1 实验环境与数据集 69 4.5.2 实验结果与分析 71 4.6 本章小结 82 参考文献 83 第5章 基于引领树的*优粒化和流形信息粒表示 86 5.1 引言 86 5.2 基于局部密度的*优粒化 88 5.3 信息粒的流形描述 90 5.3.1 信息粒的流形描述子构建 91 5.3.2 从流形描述子重建数据 92 5.3.3 流形描述子的评价 94 5.4 LoDOG信息粒的可解释性 95 5.5 复杂性分析 97 5.5.1 LoDOG复杂性分析 97 5.5.2 关于流形描述子的复杂性 97 5.5.3 与其他研究工作的关系 98 5.6 实验及结果分析 100 5.6.1 实验环境与数据集 100 5.6.2 实验结果与分析 100 5.7 本章小结 111 参考文献 111 第6章 *优引领森林上的非迭代式标签传播 115 6.1 引言 115 6.2 *优引领森林上的标签传播 116 6.2.1 LaPOLeaF标签传播的三阶段分析 117 6.2.2 LaPOLeaF 算法 120 6.3 新增数据的快速学习 122 6.4 针对大数据的LaPOLeaF 123 6.4.1 分治法与并行计算策略 123 6.4.2 使用LSH的近似计算方法 125 6.5 分析与讨论 126 6.5.1 复杂性分析 126 6.5.2 与其他方法的关系讨论 127 6.6 实验及结果分析 127 6.6.1 实验环境与数据集 127 6.6.2 实验结果与分析.128 6.6.3 ImageNet2012数据子集 132 6.7 LaPOLeaF在水质预测中的应用 133 6.8 本章小结 135 参考文献 136 第7章 基于二维正态云的时间序列粒化降维 139 7.1 引言 139 7.2 分段二维正态云表示方法 140 7.3 基于2D-NCR的时间序列相似性度量 142 7.4 时间复杂度分析 147 7.5 实验及结果分析 148 7.5.1 实验设置 148 7.5.2 时间序列分类实验 149 7.5.3 时间序列聚类实验 153 7.6 本章小结 156 参考文献 156 第8章 基于高斯云变换和模糊时间序列的多粒度水质预测 159 8.1 引言 159 8.2 高斯云变换 160 8.3 多粒度水质预测模型 162 8.3.1 论域分区 163 8.3.2 近似周期性 164 8.3.3 模糊时间序列预测模型 165 8.3.4 自适应期望模型 168 8.4 实验及结果分析 168 8.4.1 实验数据集 169 8.4.2 实验设置 169 8.4.3 DO预测实验 170 8.4.4 CODMn指数预测实验 174 8.5 本章小结 178 参考文献 178