第1章 绪论 1
1.1大数据及其挖掘技术 1
1.2粒计算理论 6
1.3粗糙集理论 8
1.4基于粒计算与粗糙集的数据挖掘 11
1.4.1面向海量数据的数据挖掘 11
1.4.2面向动态数据的数据挖掘 12
1.4.3面向复杂数据的数据挖掘 14
1.5本章小结 15
第2章 预备知识 16
2.1经典粗糙集模型 16
2.2面向复杂数据的扩展粗糙集模型 18
2.2.1邻域粗糙集模型 18
2.2.2集值粗糙集模型 20
2.2.3不完备粗糙集模型 20
2.3面向有噪声数据的概率粗糙集模型 22
2.3.1 0.5概率粗糙集模型 22
2.3.2决策粗糙集模型 23
2.3.3变精度粗糙集模型 23
2.4属性约简 24
2.4.1属性约简的基本框架 24
2.4.2启发式属性约简 25
2.4.3不协调属性约简 29
2.5粒度度量 31
2.6本章小结 32
第3章 并行大规模特征选择 33
3.1并行特征提取方法 33
3.1.1模型并行方法 33
3.1.2数据并行方法 34
3.1.3模型-数据并行方法 35
3.2并行特征提取算法 35
3.2.1评价函数的统一表示 36
3.2.2评价函数的分治方法 36
3.2.3基于MapReduce的并行属性约简算法 39
3.2.4基于Spark的并行属性约简算法 43
3.2.5基于粒计算的并行属性约简加速算法 44
3.3实验分析 46
3.3.1数据集和实验平台 47
3.3.2与串行算法的对比 47
3.3.3不同并行算法的对比 51
3.3.4高维数据上的表现 52
3.3.5天文大数据上的应用 53
3.4本章小结 54
第4章 近似集动态更新 55
4.1知识粒度的变化性质 55
4.2基于粒的近似集增量更新方法 57
4.2.1等价类特征矩阵 58
4.2.2等价类特征矩阵更新原理 59
4.2.3基于粒的近似集更新算法 61
4.3算例 64
4.4算法复杂度分析 68
4.5实验方案及性能分析 68
4.5.1实验方案 68
4.5.2实验结果 69
4.6本章小结 74
第5章 规则动态更新 76
5.1等价类的向量和矩阵表示 76
5.2等价类的泛化决策性质 77
5.3基于最小辨识属性集的约简生成 78
5.3.1最小辨识属性集及其生成算法 78
5.3.2属性重要度矩阵 80
5.3.3约简的生成 81
5.3.4算例 82
5.4属性值粗化细化的定义及性质 84
5.4.1属性值粗化细化的定义 84
5.4.2决策信息系统的动态性质 85
5.4.3决策规则的动态性质 87
5.5属性值粗化时规则更新原理及算法 92
5.5.1属性值粗化时规则更新原理 92
5.5.2属性值粗化时规则更新算法 95
5.5.3算例 97
5.6属性值细化时规则更新原理及算法 99
5.6.1属性值细化时规则更新原理 99
5.6.2属性值细化时规则更新算法 102
5.6.3算例 104
5.7算法复杂度分析 106
5.8实验方案及性能比较 109
5.8.1实验方案 109
5.8.2实验结果 110
5.9本章小结 113
第6章 面向缺失数据的动态概率粗糙集方法 114
6.1面向缺失数据的概率粗糙集模型 115
6.2面向对象更新的动态概率粗糙集方法 115
6.2.1条件概率的增量估计策略 115
6.2.2概率粗糙近似集的增量更新方法 121
6.3算法设计与分析 123
6.4算例 128
6.5实验方案与性能分析 130
6.5.1实验方案 131
6.5.2性能分析 132
6.6本章小结 139
第7章 复杂数据融合与高效学习算法 141
7.1复合粗糙集模型 141
7.2近似集的矩阵表示方法 144
7.2.1基于矩阵运算的近似集构造方法 144
7.2.2基于布尔矩阵的近似集表示方法 146
7.2.3基于布尔矩阵的近似集计算方法 147
7.3算法设计与复杂度分析 148
7.3.1基于布尔矩阵的近似集计算算法 148
7.3.2基于矩阵的近似集计算的批处理算法 149
7.4近似集的多核并行计算方法 150
7.4.1近似集的并行计算方法 151
7.4.2GPU架构与CUDA 152
7.4.3基于Single-GPU的近似集计算算法 154
7.4.4基于Multi-GPU的近似集计算算法 155
7.5实验分析 157
7.5.1实验设置 157
7.5.2批处理算法的性能 158
7.5.3GPU算法的性能 159
7.5.4Multi-GPU算法的性能 161
7.6本章小结 163
参考文献 164