加权概念格理论及其应用递交xg.docVIP

加权概念格理论与应用 张素兰编著 内容简介 概念格是20世纪80年代初由德国的R.Wille教授提出的，目前已在很多领域的研究和应用中得到深入的发展。加权概念格是一种拓展概念格结构，具有数据约简和知识提取针对性强等特点。本书结合作者十几年来在该领域的研究成果，对加权概念格的理论和应用进行了较为系统和深入的阐述。 全书主要内容大体分为三部分。第一部分简要叙述了数据挖掘和概念格的相关理论；第二部分重点介绍了加权概念格的理论，主要涉及加权概念格的定义、权值获取和构造方法，以及加权概念格的代数结构等；第三部分主要探讨了加权概念格在图像语义自动标注和天体光谱数据挖掘中的应用。 本书软件工程、、机器学习、数据挖掘、信息检索等领域本书软件工程、数据挖掘及知识发现、用书.1基于信息熵的单属性内涵权值自动获取 2.3.2 内涵重要性偏差及多属性内涵权值的获取 2.4 加权概念格的拓展结构 2.4.1 频繁加权概念格及其相关定理 2.4.2 强加权概念格及其相关定理 2.5 实例分析 2.6小结 第3章 频繁加权概念格的代数结构及其知识表示的完备性 3.1引言 3.2 概念格的完备性 3.3 虚概念及频繁加权概念格的完备性 3.3.1 虚概念 3.3.2 频繁加权概念格的完备性 3.4频繁加权概念格的代数结构 3.4.1相关定义及算子 3.4.2代数性质 3.5频繁加权概念格知识提取的完备性 3.6小结 第4章 加权概念格的构造方法 4.1 引言 4.2 频繁加权概念格的渐进式构造 4.2.1 构造方法 4.2.2 构造算法 4.2.3 算法分析 4.2.4 实例分析 4.3 频繁加权概念格的批处理构造 4.3.1 基本定义 4.3.2 构造方法 4.3.3 实例分析 4.3.4 构造算法 4.3.5 算法分析 4.3.6 实验结果与分析 4.4 强加权概念格的渐进式构造 4.5 强加权概念格的批处理构造 4.5.1 构造方法 4.5.2 构造算法 4.5.3 实验结果与分析 4.6 小结 第5章 加权概念格在图像语义自动标注中的应用 5.1 引言 5.2图像语义自动标注与BOV模型 5.2.1 图像语义自动标注 5.2.2图像语义自动标注的研究现状 5.2.3 BOV模型 5.3 基于频繁加权概念格的视觉词典生成与场景分类方法 5.3.1 算法思想 5.3.2 算法描述 5.3.3 举例 5.4 实验结果分析 5.4.1 视觉词典大小对分类性能的影响 5.4.2 归一化阈值对分类性能的影响 5.4.3 外延数阈值对分类性能的影响 5.5 小结 第6章 加权概念格在天体光谱数据挖掘中的应用 6.1 引言 6.2面向LAMOST 的天体光谱数据挖掘技术 6.2.1 LAMOST 项目简介 6.2.2 天体光谱数据挖掘技术 6.3 基于频繁加权概念格的加权关联规则提取方法 6.3.1 基本定义 6.3.2 基本思想 6.3.3 算法描述 6.4 基于频繁加权概念格的天体光谱关联知识挖掘系统 6.4.1 系统功能与体系结构 6.4.2 关键实现技术 6.4.3 运行结果与分析 6.5 小结 第1章 绪 论 科技的进步，特别是信息产业和互联网技术的发展，把我们带入了一个全新的大数据信息时代。随着计算机应用的普及和数据库技术的不断发展，数据库管理系统的应用越来越广泛。最近十几年中，数据库中存储的数据量急剧增大，大量信息给人们带来方便的同时，也带来了一系列问题。例如，信息量过大，超过了人们掌握、消化的能力；一些信息真伪难辨，给信息的正确运用带来困难；网络上的信息安全难以保障；信息组织形式的不一致性，增加了对信息进行有效统一处理的难度等。人们意识到隐藏在这些数据之后的更深层次、更重要的信息能够描述数据的整体特征，可以预测发展趋势，这些信息在决策生成的过程中具有重要的参考价值[1]。 可见, 激增的数据背后隐藏着许多重要的信息和知识，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据，因此，数据和知识之间的鸿沟带来了对强有力的数据分析工具的需求，如何从这些浩如烟海的数据中挖掘出有用知识的需求激起了数据库中的知识发现（knowledge discovery in databases，KDD）1.1.1 数据挖掘的基本概念 数据挖掘(DM)是一种从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、潜在的有用信息和知识的过程，是一种为决策支持服务的过程。更广义的定义是：数据挖掘是从存放在数据库、数据仓库或其