更新时间：2024-01-22 18:23:44
封面
版权信息
作者简介
内容简介
前言
第1章 数据挖掘研究进展
1.1 数据挖掘基本理论
1.2 数据挖掘存在的问题
1.3 数据挖掘研究现状
1.3.1 特征降维
1.3.2 智能分类
1.3.3 聚类分析
1.4 研究思路
第2章 特征降维方法研究
2.1 背景知识
2.1.1 线性判别分析
2.1.2 保局投影算法
2.2 基于多阶矩阵组合的LDA
2.3 标量化的线性判别分析算法
2.4 基于矩阵指数的线性判别分析算法
2.5 基于图的数据降维方法
2.6 融合全局和局部特征的特征提取方法
2.6.1 最优化问题
2.6.2 算法描述
2.6.3 复杂度分析
2.7 基于Fisher准则的半监督数据降维方法
2.8 特征提取新视角：基于Parzen窗估计的方法
2.8.1 Parzen窗
2.8.2 Parzen窗与LPP
2.8.3 Parzen窗与LDA
2.8.4 Parzen窗与PCA
2.8.5 推广性结论
第3章 基于数据分布特征的智能分类方法
3.1 背景知识
3.1.1 支持向量机
3.1.2 支持向量数据描述
3.1.3 流形判别分析
3.1.4 模糊理论
3.1.5 核心向量机
3.2 基于流形判别分析的全局保序学习机
3.2.1 GRPLM原理
3.2.2 大规模分类
3.3 基于最大散度差的保序分类算法
3.3.1 最优化问题
3.3.2 大规模分类
3.4 最小流形类内离散度支持向量机
3.4.1 MCVSVM
3.4.2 最小MWCS支持向量机
3.4.3 理论分析
3.5 基于核密度估计与熵理论的最大间隔学习机
3.5.1 核密度估计和熵理论
3.5.2 MEKLM原理
3.5.3 理论分析
第4章 基于决策边界的智能分类方法
4.1 支持向量数据描述
4.2 具有N-S磁极效应的最大间隔模糊分类器
4.2.1 N-S磁极效应
4.2.2 MPMMFC原理
4.2.3 理论分析
4.3 基于光束角思想的最大间隔学习机
4.3.1 光束角
4.3.2 BAMLM原理
4.3.3 CCMEB及BACVM
4.4 面向大规模数据的模糊支持向量数据描述
4.4.1 模糊支持向量数据描述
4.4.2 FSVDD-CVM
4.5 基于信度的BP神经网络
4.5.1 BP神经网络
4.5.2 基于信度的BP算法
第5章 天文数据挖掘研究进展
5.1 引言
5.2 大型巡天项目
5.3 天文数据的特点
5.4 天文学中的数据挖掘
5.4.1 天文数据挖掘的必要性
5.4.2 天文数据挖掘的主要任务
5.5 天文数据挖掘应用研究
5.6 光谱自动分类方法研究
第6章 基于支持向量机及其变种的恒星光谱分类方法
6.1 基于流形模糊双支持向量机的恒星光谱分类方法
6.1.1 双支持向量机
6.1.2 流形模糊双支持向量机
6.1.3 实验分析
6.1.4 结论
6.2 基于多类支持向量机的恒星光谱分类方法
6.2.1 多类支持向量机
6.2.2 实验分析
6.2.3 结论
6.3 基于流形判别分析和支持向量机的恒星光谱数据自动分类方法
6.3.1 基于流形判别分析的支持向量机
6.3.2 实验分析
6.3.3 结论
6.4 基于最小类内散度、最大类间散度支持向量机的恒星光谱分类
6.4.1 MMSVM
6.4.2 实验分析
6.4.3 结论
6.5 基于模糊最小类内散度支持向量机的恒星光谱分类
6.5.1 FMWSVM
6.5.2 实验分析
6.5.3 结论
