複雜不完備數據智能分析方法

前言

第1章 複雜不確定性系統概述 1
1.1 複雜不確定系統描述 1
1.2 資料採擷 3
1.2.1 資料庫知識發現概述 3
1.2.2 資料採擷概述 4
1.3 複雜不確定性系統資料分析方法 4
1.3.1 概率統計方法 5
1.3.2 模糊數學方法 5
1.3.3 人工神經網路方法 6
1.3.4 其他資料分析方法 6
1.4 基於粗糙集的複雜不確定資料分析 6
1.4.1 粗糙集理論與知識發現 6
1.4.2 粗糙集理論的特徵 7
1.4.3 粗糙集理論的基本概念 7
1.4.4 粗糙集理論處理複雜不確定資料的主要思想 13
1.5 聚類知識發現 13
1.5.1 聚類知識發現的基本原理 14
1.5.2 聚類知識發現的主要方法 14
1.5.3 聚類知識發現的研究方向 21

第2章 不完備資料填補方法 23
2.1 不完備資料產生的原因及分類 23
2.1.1 不完備資料的概念 23
2.1.2 不完備資料產生的原因 23
2.1.3 不完備資料的特點及分類機制 24
2.2 不完備資料填補方法描述 26
2.2.1 不完備資料填補方法概述 26
2.2.2 不完備數據填補準則 27
2.2.3 不完備資料處理方法 28
2.3 基於中斷點的不完備資料填補演算法 36
2.3.1 FUIDBP演算法概述 36
2.3.2 FUIDBP演算法同傳統演算法比較 43
2.4 一種基於新型關係矩陣的資料填補方法 45
2.4.1 傳統粗糙集填補不完備資料方法的缺陷 45
2.4.2 新型關係矩陣概念 46
2.4.3 新型關係矩陣特點 48
2.4.4 新型關係矩陣資料填補方法描述 48
2.4.5 實驗驗證與分析 51

第3章 連續屬性離散化 57
3.1 基於超立方體和資訊熵的連續屬性離散化演算法 57
3.1.1 連續屬性離散化問題 57
3.1.2 DCASCE演算法的思想及理論基礎 59
3.1.3 DCASCE演算法描述 66
3.1.4 DCASCE演算法應用實例 67
3.1.5 DCASCE演算法同其他離散化演算法的比較 70
3.1.6 DCASCE演算法複雜度分析 71
3.2 基於粗糙集的區間型離散化演算法 72
3.2.1 離散化問題描述 72
3.2.2 區間值屬性離散化步驟 73
3.3 基於粗糙熵的區間型資料離散化演算法 73
3.3.1 演算法相關定義 73
3.3.2 離散化演算法描述 75
3.4 一種新的區間型資料離散化演算法 78
3.4.1 區間數相似度及其性質 78
3.4.2 粗糙集及其離散化描述 79
3.4.3 離散化演算法描述 80
3.4.4 演算法分析改進 81
3.4.5 演算法實例 82
3.4.6 實驗結果和分析 84
3.5 Naive Scaler改進演算法 87
3.5.1 Naive Scaler演算法及說明 88
3.5.2 改進的Naive Scaler演算法描述 91

第4章 屬性約簡 94
4.1 基於信息量不完備資訊系統的屬性約簡演算法 94
4.1.1 容差關係及性質 94
4.1.2 相容類的計算方法 95
4.1.3 不完備資訊系統信息量、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 屬性約簡演算法設計和實現過程 98
4.1.6 屬性約簡的增量式問題 100
4.1.7 系統實驗 102
4.1.8 屬性約簡在銀行信貸風險管理方面的簡單應用 103
4.2 基於粗糙度屬性約簡演算法的研究 105
4.2.1 理論基礎 105
4.2.2 演算法描述 106
4.2.3 實例分析 107
4.2.4 屬性約簡演算法的複雜度分析 110
4.2.5 實驗結果與分析 111
4.3 不確定資訊系統中基於粒細度的屬性約簡 111
4.3.1 傳統資訊系統中求屬性約簡的缺陷 111
4.3.2 資訊粒和粒計算 112
4.3.3 知識細微性的原理 113
4.3.4 新的細微性空間中知識細微性及其屬性重要性度量 114
4.3.5 不確定資訊系統的細微性屬性約簡演算法描述 117
4.3.6 程式實現 121
4.4 基於不相容資訊系統粒細度屬性約簡演算法的改進 122
4.4.1 知識細微性屬性重要性度量 122
4.4.2 基於粒細度的屬性約簡演算法改進 123
4.4.3 實例驗證 124
4.4.4 程式實現及演算法分析對比 127
4.5 變精度屬性約簡演算法 131
4.5.1 變精度粗糙集理論基本概念 132
4.5.2 基於變精度粗糙集模型的約簡特徵分析 134
4.5.3 變精度粗糙集模型約簡研究 141
4.6 基於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 幾種約簡之間的關係 151
4.6.3 β分佈約簡的可辨識矩陣 151
4.6.4 實例分析 153
4.7 基於容差關係相似矩陣的折半啟發式屬性約簡演算法 155
4.7.1 容差關係相似矩陣及屬性重要性 155
4.7.2 不完備資訊系統折半啟發式約簡理論 157
4.7.3 演算法設計和實現過程 158
4.7.4 程式實現 162

第5章 規則提取 164
5.1 具有不確定屬性值的決策規則提取演算法 164
5.1.1 基於掃描向量的屬性約簡演算法 164
5.1.2 RASV演算法的相關定理 166
5.1.3 RASV演算法的描述 168
5.1.4 RASV演算法實例 169
5.1.5 RASV演算法同其他屬性約簡演算法的比較 171
5.2 基於屬性值重要性和掃描向量的規則提取演算法 172
5.2.1 REIAVSV演算法的研究背景 172
5.2.2 REIAVSV演算法的相關概念 174
5.2.3 REIAVSV演算法的描述 174
5.2.4 REIAVSV演算法應用實例 175
5.3 基於決策樹的規則提取新演算法 177
5.3.1 決策樹的描述 177
5.3.2 條件資訊熵及其變體的說明 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 演算法描述及實例分析 182

第6章 聚類知識發現 186
6.1 基於掃描向量和區間值的聚類演算法 186
6.1.1 CBSVIV演算法的提出 186
6.1.2 CBSVIV演算法的核心思想 187
6.1.3 CBSVIV演算法的描述 188
6.1.4 數值實例 193
6.2 基於資料對的聚類演算法 194
6.2.1 基於資料對的聚類問題 194
6.2.2 CBDP演算法的思想 196
6.2.3 CBDP演算法描述 196
6.2.4 CBDP演算法實例 200

第7章 應用實例 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 202
7.2.1 基本資料結構 202
7.2.2 數據預處理 203
7.2.3 客戶市場細分 208
參考文獻 212