序 1
前言 1
第1章 粒计算＋结构分析＝商空间方法 1
1.1 引言 1
1.2 商空间模型 2
1.2.1 模型的建立 2
1.2.2 商空间的推广 3
1.2.3 商空间粒度的获得 4
1.3 商空间方法的基本原理 4
1.3.1 保真、保假原理 4
1.3.2 商逼近 5
1.4 商空间方法的应用 5
1.4.1 称球游戏 5
1.4.2 其他应用 11
1.5 商空间与模糊数学 12
1.5.1 模糊商空间理论 12
1.5.2 模糊商空间理论中基本原理 13
1.5.3 模糊商空间的同构定理 13
1.5.4 模糊相容关系与模糊子集 13
1.6 商空间与分形几何 15
1.6.1 商空间与函数迭代系统 15
1.6.2 商空间与不可约迭代函数系统 16
1.7 商空间与小波分析 20
1.7.1 第二代小波分析 20
1.7.2 商空间逼近 21
1.7.3 两种商空间逼近形式的关系 23
1.7.4 商空间逼近法与小波分析的关系 24
1.8 商空间与马尔可夫链 25
1.8.1 马尔可夫链的基本性质 26
1.8.2 序列粒度分析法 27
1.8.3 转移矩阵的粒度分析法 32
1.8.4 马尔可夫链的粒度分析与隐马尔可夫模型的关系 34
1.9 结论和展望 36
参考文献 36
第2章 基于商空间理论的支持向量机方法 38
2.1 引言 38
2.1.1 研究背景 38
2.1.2 研究内容 39
2.2 支持向量机方法 41
2.2.1 二分类问题与线性判别函数 41
2.2.2 最优分类超平面与支持向量机 41
2.2.3 支持向量机原问题与对偶问题 42
2.3 分层数据处理思想在模式分类中的应用 42
2.3.1 训练数据规模对支持向量机学习效率的影响 42
2.3.2 数据分布的聚集性与冗余性 43
2.3.3 利用数据分布特性的模式分类方法 44
2.4 基于商空间理论的支持向量机模型 44
2.4.1 粒度计算与商空间理论 44
2.4.2 支持聚类机 46
2.5 支持聚类机的理论性质 46
2.5.1 SCM与重复采样SVM的等价性 46
2.5.2 DSVM和SVM之间误差的界 48
2.5.3 如何最小化SCM和SVM之间误差的界 49
2.5.4 SCM的物理意义 52
2.5.5 与邻域风险最小化理论之异同 53
2.6 实现方法与技术考虑 55
2.6.1 基于核函数的图聚类 55
2.6.2 Shrinking技术 56
2.6.3 算法描述 57
2.7 实验 57
2.7.1 仿真数据实验 57
2.7.2 标准数据集上的实验 59
2.8 结论 61
参考文献 62
第3章 分层递阶商空间的结构分析与不确定性度量 64
3.1 引言 64
3.2 分层递阶商空间的结构分析 65
3.2.1 阈值为1的商空间理论 65
3.2.2 任意阈值的商空间理论 67
3.2.3 模糊等价关系的分层递阶构建方法 68
3.2.4 模糊等价关系的交、并运算和商空间的分解与合成 73
3.3 分层递阶商空间的不确定性 76
3.3.1 相关基本概念 78
3.3.2 分层递阶商空间的不确定性度量 81
3.4 结论 88
参考文献 88
第4章 分层递阶商空间链法及应用 91
4.1 引言 91
4.2 拓扑结构的商空间——商空间链 92
4.2.1 问题描述——商空间 92
4.2.2 分层递阶商空间链法 93
4.2.3 保真、保假原理 94
4.3 无权网络的最短路径 97
4.3.1 网络覆盖模型 97
4.3.2 最短路径搜索方法 99
4.3.3 实例过程 100
4.3.4 小结 101
4.4 加权网络的最佳路径 102
4.4.1 加权网络模型 102
4.4.2 最佳路径搜索过程 103
4.4.3 实例、复杂度分析 104
4.4.4 实验 111
4.5 结论 113
参考文献 114
第5章 粒计算三元论 115
5.1 引言 115
5.2 粒计算研究的思考 116
5.2.1 粒计算的认知学基础 116
5.2.2 粒计算研究的目标 118
5.2.3 粒计算的核心问题 122
5.3 三元论的基本要素 123
5.3.1 粒结构 123
5.3.2 粒计算三角形 125
5.4 粒计算哲学思想 126
5.5 粒计算方法论 127
5.5.1 粒计算原则 127
5.5.2 粒计算策略 129
5.6 粒信息处理 130
5.7 粒计算模型简介 132
5.7.1 粒化数据分析 132
5.7.2 粒化问题求解 134
5.8 粒计算研究中应该重视的几个问题 135
参考文献 136
第6章 On Granular Computing Research 144
6.1 Introduction 144
6.2 Basic Notions of Granular Computing 145
6.3 Major Schools of Research on Granular Computing 147
6.3.1 Philosophical and Fundamental Views of Granular Computing 148
6.3.2 Granular Computing Techniques 149
6.3.3 Granular Computing Applications 152
6.4 Research Issues of Granular Computing 153
6.5 Concluding Remarks 154
References 155
第7章 基于多维数据模型的粒计算方法 157
7.1 先验知识与粒计算 157
7.1.1 引言 157
7.1.2 先验知识 158
7.1.3 粒结构 162
7.1.4 先验知识与粒结构的关系 165
7.1.5 先验知识与粒三角形间的关系 165
7.1.6 先验知识与粒计算的关系 166
7.2 层次粗糙集模型 166
7.2.1 引言 166
7.2.2 概念层次树 167
7.2.3 层次粗糙集 169
7.2.4 层次粗糙集的多维数据模型表示 174
7.3 多层次决策规则挖掘 175
7.3.1 引言 175
7.3.2 数据泛化 176
7.3.3 层次决策规则挖掘 178
7.4 结论与展望 184
参考文献 185
第8章 面向自治计算介绍 189
8.1 引言 190
8.2 自治计算初识 191
8.2.1 自治计算方法概述 192
8.2.2 自治计算的建模方法 193
8.2.3 自治计算的应用与效能评价 194
8.3 自治计算系统设计 196
8.3.1 自治计算系统的组成要素 196
8.3.2 自治计算系统基本设计原理 202
8.3.3 自治计算系统的评价 207
8.4 自治计算与其他相关领域的区别与联系 209
8.4.1 自治计算范型 209
8.4.2 自治计算与相关计算方法的比较 211
8.5 结论 213
参考文献 214
第9章 基于领域知识的粒度变换研究 217
9.1 领域知识及其在KDD中的应用 217
9.1.1 引言 217
9.1.2 领域知识概述 219
9.1.3 领域知识在知识发现各阶段中的作用 229
9.1.4 领域知识的研究现状和应用前景 231
9.2 基于领域知识的粒度模型 235
9.2.1 引言 235
9.2.2 基于领域知识的粒度模型 237
9.2.3 面向分类的应用研究 242
9.2.4 小结 243
参考文献 244
第10章 图像的结构化描述与识别 247
10.1 概述 247
10.1.1 图像的结构化描述与识别的动机 248
10.1.2 结构图模型的特点 249
10.2 图像的图表示方法 250
10.2.1 传统的图像表示方法 250
10.2.2 典型的图表示方法 252
10.3 图像匹配和识别的图方法 253
10.3.1 图像匹配到图匹配的转化 254
10.3.2 精确匹配与不精确匹配 254
10.3.3 经典的图匹配方法 255
10.3.4 图匹配的矩阵分解方法 255
10.4 基于图的谱理论的图像分析 258
10.4.1 图的谱特征 258
10.4.2 图谱特征空间嵌入 259
10.5 结论 262
参考文献 262