前言 1
内容提要 1
第一章 多维数据分析及其研究概述 1
引言 1
维与多维的概念 1
数据分析的视角：维 1
维的度量属性 2
维的层次 2
维的特性 2
维的分类 3
维的选择与设计 3
多维数据分析的概念 4
多维数据分析的基础 4
多维数据分析的数据准备 5
多维数据分析的一般方法 6
多维数据分析的应用前景 9
知识发现的需求 9
实际应用环境下数据增长的需求 10
智能数据发展的需求 11
多维数据分析的研究情况 11
基于粗糙集数据的分析方法 12
基于支持向量机的分析方法 13
基于贝叶斯的分析方法 14
第二章 神经网络及其研究概述 16
引言 16
人工神经网络与多维数据分析 16
神经网络如何工作 17
建立不同类型的模型——无指导的学习 18
神经网络方法——竞争学习 18
模型的优缺点 19
机器学习与神经网络 21
传统神经网络学习中的缺陷 23
固定的网络结构 23
网络训练时间周期长 24
小结 25
第三章 序列构造神经网络的模型研究 27
引言 27
神经网络BP学习算法 28
误差反向传播算法 28
误差反向传播算法的改进 30
序列构造神经网络的一些特点 32
序列构造神经网络的理论基础 33
基本概念 33
序列构造网络构造的基本结构 35
序列构造神经网络的基本原理 38
网络对已有样本的学习过程 39
网络对新样本的识别过程 41
序列构造型神经网络的机理分析 42
动态网络结构模型 42
神经元动态序列的几何空间解释 43
内部隐层神经元的确定 45
小结 46
第四章 序列构造神经网络的构造方法 48
引言 48
多类样本的序列神经网络的构造方法 48
多类样本构造的一般过程描述 49
训练中的复杂度分析 50
训练样本的选择 52
数值属性的替换原则 52
属性数据值调整 53
实验及讨论 53
小结 55
第五章 序列构造神经网络的实现方法 56
引言 56
超平面结构神经元的实现方法 56
超平面神经元 56
结合超平面神经元的SCNN实现 57
实现机理分析 58
RBF神经元的实现方法 59
RBF神经元 59
结合RBF神经元的SCNN实现 59
实现机理分析 61
相关改进算法 62
数据一次批量清洗处理 63
数据多次清洗处理 63
实验及对比分析 64
实验及讨论 65
问题简介 65
效果及分析 65
小结 67
第六章 基于序列构造神经网络的多维数据分析方法 68
引言 68
网络训练过程中的多维分析框架模型 69
原始数据 69
剖面（规则） 70
序列构造神经网络 70
神经元分析信息融合 70
神经网络对多维空间数据表示的机理分析 71
内部构造神经元对信息数据的描述 71
加权神经元序列对原始数据信息映射的讨论 72
多维数据分析算法 74
引言 74
学习规则的变换方法 74
序列构造神经网络的多侧面分解 75
多侧面分析与序列构造神经元的集成 78
结合序列构造神经网络的多维数据分析的基本操作 79
序列构造神经网络的多维数据分析特点 81
多个不同侧面神经元规则序列 81
侧面知识的合成 81
多维数据处理的能力 82
小结 82
第七章 序列构造神经网络的多维数据分析应用探索 84
引言 84
房产租赁指数多维数据分析的应用需求分析 84
常规房产租赁指数研究的技术路线 85
基于SCNN的房产租赁指数多维数据分析系统建模 91
房产租赁指数分析模型 91
房产租赁数据的主要构成 92
数据量化与归一化过程 93
主要算法设计步骤 94
系统建模的其他考虑 98
基于SCNN的房产租赁指数多维数据分析系统初步实施简介 98
系统模块说明 98
现阶段情况 100
系统评价 101
小结 101
参考文献 104
附录一 MATLAB 113
1.MATLAB简介 113
2.MATLAB编程环境与程序设计基础 114
3.MATLAB的向量操作 115
4.MATLAB的矩阵操作 115
5.MATLAB的多项式 117
6.MATLAB的编程基础 119
附录二 神经网络工具箱函数及应用实例 121
1.Matlab中神经网络的主要函数列表 121
2.Matlab神经网络操作的示例代码 123
附录三 租赁指数数据摘录 133
1.普通住宅（房龄小于5年）的租赁数据（2007～2008） 133
2.高档公寓类住宅租赁数据摘录（2007～2008） 137
3.租赁指数走势（2006～2008） 139