复杂不完备数据智能分析方法

目录
前言
第1章 复杂不确定性系统概述 1
1.1 复杂不确定系统描述 1
1.2 数据挖掘 3
1.2.1 数据库知识发现概述 3
1.2.2 数据挖掘概述 4
1.3 复杂不确定性系统数据分析方法 4
1.3.1 概率统计方法 5
1.3.2 模糊数学方法 5
1.3.3 人工神经网络方法 6
1.3.4 其他数据分析方法 6
1.4 基于粗糙集的复杂不确定数据分析 6
1.4.1 粗糙集理论与知识发现 6
1.4.2 粗糙集理论的特征 7
1.4.3 粗糙集理论的基本概念 7
1.4.4 粗糙集理论处理复杂不确定数据的主要思想 13
1.5 聚类知识发现 13
1.5.1 聚类知识发现的基本原理 14
1.5.2 聚类知识发现的主要方法 14
1.5.3 聚类知识发现的研究方向 21
第2章 不完备数据填补方法 23
2.1 不完备数据产生的原因及分类 23
2.1.1 不完备数据的概念 23
2.1.2 不完备数据产生的原因 23
2.1.3 不完备数据的特点及分类机制 24
2.2 不完备数据填补方法描述 26
2.2.1 不完备数据填补方法概述 26
2.2.2 不完备数据填补准则 27
2.2.3 不完备数据处理方法 28
2.3 基于断点的不完备数据填补算法 36
2.3.1 FUIDBP算法概述 36
2.3.2 FUIDBP算法同传统算法比较 43
2.4 一种基于新型关系矩阵的数据填补方法 45
2.4.1 传统粗糙集填补不完备数据方法的缺陷 45
2.4.2 新型关系矩阵概念 46
2.4.3 新型关系矩阵特点 48
2.4.4 新型关系矩阵数据填补方法描述 48
2.4.5 实验验证与分析 51
第3章 连续属性离散化 57
3.1 基于超立方体和信息熵的连续属性离散化算法 57
3.1.1 连续属性离散化问题 57
3.1.2 DCASCE算法的思想及理论基础 59
3.1.3 DCASCE算法描述 66
3.1.4 DCASCE算法应用实例 67
3.1.5 DCASCE算法同其他离散化算法的比较 70
3.1.6 DCASCE算法复杂度分析 71
3.2 基于粗糙集的区间型离散化算法 72
3.2.1 离散化问题描述 72
3.2.2 区间值属性离散化步骤 73
3.3 基于粗糙熵的区间型数据离散化算法 73
3.3.1 算法相关定义 73
3.3.2 离散化算法描述 75
3.4 一种新的区间型数据离散化算法 78
3.4.1 区间数相似度及其性质 78
3.4.2 粗糙集及其离散化描述 79
3.4.3 离散化算法描述 80
3.4.4 算法分析改进 81
3.4.5 算法实例 82
3.4.6 实验结果和分析 84
3.5 Naive Scaler改进算法 87
3.5.1 Naive Scaler算法及说明 88
3.5.2 改进的Naive Scaler算法描述 91
第4章 属性约简 94
4.1 基于信息量不完备信息系统的属性约简算法 94
4.1.1 容差关系及性质 94
4.1.2 相容类的计算方法 95
4.1.3 不完备信息系统信息量、属性重要性及正域 96
4.1.4 信息量属性约简理论 97
4.1.5 属性约简算法设计和实现过程 98
4.1.6 属性约简的增量式问题 100
4.1.7 系统实验 102
4.1.8 属性约简在银行信贷风险管理方面的简单应用 103
4.2 基于粗糙度属性约简算法的研究 105
4.2.1 理论基础 105
4.2.2 算法描述 106
4.2.3 实例分析 107
4.2.4 属性约简算法的复杂度分析 110
4.2.5 实验结果与分析 111
4.3 不确定信息系统中基于粒细度的属性约简 111
4.3.1 传统信息系统中求属性约简的缺陷 111
4.3.2 信息粒和粒计算 112
4.3.3 知识粒度的原理 113
4.3.4 新的粒度空间中知识粒度及其属性重要性度量 114
4.3.5 不确定信息系统的粒度属性约简算法描述 117
4.3.6 程序实现 121
4.4 基于不相容信息系统粒细度属性约简算法的改进 122
4.4.1 知识粒度属性重要性度量 122
4.4.2 基于粒细度的属性约简算法改进 123
4.4.3 实例验证 124
4.4.4 程序实现及算法分析对比 127
4.5 变精度属性约简算法 131
4.5.1 变精度粗糙集理论基本概念 132
4.5.2 基于变精度粗糙集模型的约简特征分析 134
4.5.3 变精度粗糙集模型约简研究 141
4.6 基于变精度粗糙集模型的属性约简 150
4.6.1 几种β约简方法 150
4.6.2 几种约简之间的关系 151
4.6.3 β分布约简的可辨识矩阵 151
4.6.4 实例分析 153
4.7 基于容差关系相似矩阵的折半启发式属性约简算法 155
4.7.1 容差关系相似矩阵及属性重要性 155
4.7.2 不完备信息系统折半启发式约简理论 157
4.7.3 算法设计和实现过程 158
4.7.4 程序实现 162
第5章 规则提取 164
5.1 具有不确定属性值的决策规则提取算法 164
5.1.1 基于扫描向量的属性约简算法 164
5.1.2 RASV算法的相关定理 166
5.1.3 RASV算法的描述 168
5.1.4 RASV算法实例 169
5.1.5 RASV算法同其他属性约简算法的比较 171
5.2 基于属性值重要性和扫描向量的规则提取算法 172
5.2.1 REIAVSV算法的研究背景 172
5.2.2 REIAVSV算法的相关概念 174
5.2.3 REIAVSV算法的描述 174
5.2.4 REIAVSV算法应用实例 175
5.3 基于决策树的规则提取新算法 177
5.3.1 决策树的描述 177
5.3.2 条件信息熵及其变体的说明 178
5.3.3 粗糙集与决策树的分析 179
5.3.4 决策树新的属性重要性说明 179
5.3.5 算法描述及实例分析 182
第6章 聚类知识发现 186
6.1 基于扫描向量和区间值的聚类算法 186
6.1.1 CBSVIV算法的提出 186
6.1.2 CBSVIV算法的核心思想 187
6.1.3 CBSVIV算法的描述 188
6.1.4 数值实例 193
6.2 基于数据对的聚类算法 194
6.2.1 基于数据对的聚类问题 194
6.2.2 CBDP算法的思想 196
6.2.3 CBDP算法描述 196
6.2.4 CBDP算法实例 200
第7章 应用实例 201
7.1 电信客户市场细分问题分析 201
7.2 客户市场细分的实现 202
7.2.1 基本数据结构 202
7.2.2 数据预处理 203
7.2.3 客户市场细分 208
参考文献 212