新書推薦：
《
不较真的心理智慧
》
售價：HK$
59.8
《
漫画算法与数据结构（大规模数据集）
》
售價：HK$
95.8
《
欧洲的扩张1415—1789：现代世界的奠基
》
售價：HK$
177.6
《
引导的秘诀：通过团队合作获得结果的SMART指南（最新修订版）（白金版）
》
售價：HK$
118.8
《
文史星历：秦汉史丛稿
》
售價：HK$
141.6
《
神灵衰落：祈雨与乾隆朝的信仰危机
》
售價：HK$
106.8
《
深度营销：成就营销领导力的12大原则（麦肯锡年度经管好书，12大原则揭秘营销本质，带好团队就是从领导力到影响力！）
》
售價：HK$
69.6
《
新质生产力：发展新动能
》
售價：HK$
105.6
|
| 內容簡介： |
|
本书重点研究了位置数据的智能聚类学习相关模型和算法前沿，集中反映了作者近年来对空间数据聚类与智能优化相结合的研究成果，系统阐述了GPS位置数据聚类学习的相关模型与算法。本书共分为7章，包括GPS位置数据聚类模型和智能优化的关键技术，GPS位置数据的遗传、模糊粒子-遗传融合、遗传-模糊蚁群混合自动聚类模型与算法，基于MapReduce的GPS位置数据遗传自动聚类模型与算法，基于小二乘非监督GPS轨迹回归模型与算法，模糊遗传GPS轨迹聚类算法等。
|
| 目錄：
|
第1章 引言 1
1.1 国内外研究进展 4
1.1.1 基于划分的聚类算法研究进展 6
1.1.2 基于智能学习的划分聚类算法研究进展 8
1.2 GNSS数据智能聚类研究概述 15
1.3 GNSS数据集 17
1.4 本章小结 22
第2章 主要的支撑技术 23
2.1 主要的智能学习技术 23
2.1.1 遗传算法 23
2.1.2 粒子群算法 24
2.1.3 蚁群算法 26
2.2 基于划分的聚类技术 29
2.2.1 K-means 29
2.2.2 K-medians 30
2.2.3 Fuzzy C-means 31
2.2.4 K-means 31
2.3 非监督聚类评估技术 32
2.3.1 PBM-index聚类评估技术 32
2.3.2 DB-index聚类评估技术 33
2.3.3 轮廓系数聚类评估技术 33
2.4 主要的非参数统计方法 34
2.4.1 Friedman Test 34
2.4.2 Wilcoxon Rank Sum Test 35
2.5 模糊系统 35
2.6 本章小结 38
第3章 GPS数据的遗传自动聚类算法研究 39
3.1 初始化种群生成技术 39
3.1.1 染色体编码与初始化种群生成技术 39
3.1.2 Density-KMPlus：基于密度估计与K-means 的初始化种群生成方法 41
3.1.3 Noise-KMPlus：基于噪声与K-means 的初始化种群生成方法 43
3.1.4 IConopy-KMPlus：改进Canopy与K-means 的初始化种群生成方法 44
3.1.5 适应度函数选择 45
3.2 遗传操作 46
3.2.1 选择操作 46
3.2.2 基因重排与自适应交叉操作 46
3.2.3 自适应变异操作 48
3.2.4 精英操作 49
3.2.5 共享小生境操作 49
3.3 SeedClust：结合Density-KMPlus 的遗传K-means自动聚类方法 51
3.3.1 基于Density-KMPlus的遗传聚类方法描述51
3.3.2 实验结果及复杂度分析 52
3.3.3 基于Wilcoxon Rank Sum Test的非参数统计分析 67
3.4 NoiseClust：结合Noise-KMPlus的遗传 K-means自动聚类方法 70
3.4.1 基于Noise-KMPlus的小生境遗传聚类方法描述 70
3.4.2 实验结果及复杂度分析 72
3.4.3 基于Wilcoxon Rank Sum Test的非参数统计分析 75
3.5 NicheClust：结合ICanopy-KMPlus 的小生境遗传K-means自动聚类方法 78
3.5.1 基于ICanopy-KMPlus的小生境遗传聚类方法描述 78
3.5.2 实验结果及复杂度分析 78
3.5.3 基于Friedman Test的非参数统计分析91
3.6 本章小结 99
第4章 GPS数据的模糊粒子群-遗传混合自动聚类算法研究 101
4.1 算法的关键技术 101
4.1.1 模糊系统输入参数的设置 101
4.1.2 PSO-GA混合聚类的原理及基本步骤 103
4.2 基于FPSO-GA混合获取最优粒子的K-means自动聚类算法 104
4.2.1 算法的主要步骤 104
4.2.2 实验参数的设置 106
4.2.3 实验结果的对比和分析 107
4.3 基于FPSO-GA混合的K-means自动聚类算法 118
4.3.1 算法流程 118
4.3.2 实验参数的设置 120
4.3.3 实验结果的对比和分析 121
4.4 本章小结 126
第5章 GPS数据的遗传-模糊蚁群混合自动聚类算法研究 128
5.1 算法的关键技术 128
5.1.1 遗传-模糊蚁群聚类的基本原理 129
5.1.2 算法的主要步骤 133
5.2 实验结果 136
5.2.1 实验参数的设置 136
5.2.2 AutoClust实验结果的对比和分析 137
5.2.3 GA-FACO实验结果的对比和分析 142
5.3 本章小结 145
第6章 基于MapReduce的GPS数据遗传自动聚类算法研究 146
6.1 MapReduce技术 146
6.2 基于MapReduce的自适应遗传的GPS数据聚类 149
6.2.1 MrkClust：基于MapReduce的新颖的GAK聚类算法 149
6.2.2 算法流程 151
6.3 实验结果 153
6.3.1 数据集描述与参数设置 153
6.3.2 实验结果的对比及分析 154
6.4 本章小结 162
第7章 最小二乘非监督轨迹回归算法与模糊遗传轨迹聚类研究164
7.1 最小二乘回归基本原理 164
7.2 基于FCM的轨迹聚类方法 166
7.2.1 轨迹的描述及定义 167
7.2.2 轨迹片段的生成 169
7.2.3 基于拉格朗日定理的轨迹FCM聚类算法 171
7.2.4 最小二乘的轨迹回归结果 172
7.2.5 关于实验数据的描述 173
7.2.6 结果及复杂度分析 174
7.3 基于模糊遗传的轨迹聚类方法 184
7.3.1 模糊遗传算法 184
7.3.2 聚类结果及复杂度分析 186
7.3.3 最小二乘回归的轨迹回归结果 188
7.4 本章小结 190
参考文献 191
附录 207
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
