幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

位置數據智能聚類演算法研究

  • 作者：周相兵|責編:李小銳
  • 出版社：科學
  • ISBN：9787030599469
  • 出版日期：2021/05/01
  • 裝幀：平裝
  • 頁數：232
人民幣：RMB 126 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書重點研究了位置數據的智能聚類學習相關模型和演算法前沿，集中反映了作者近年來對空間數據聚類與智能優化相結合的研究成果，系統闡述了GPS位置數據聚類學習的相關模型與演算法。本書共分為7章，包括GPS位置數據聚類模型和智能優化的關鍵技術，GPS位置數據的遺傳、模糊粒子-遺傳融合、遺傳一模糊蟻群混合自動聚類模型與演算法，基於MapReduce的GPS位置數據遺傳自動聚類模型與演算法，基於最小二乘非監督GPS軌跡回歸模型與演算法，模糊遺傳GPS軌跡聚類演算法等。
    本書可作為高等院校電腦、地球科學及相關專業研究生的參考書，也可供從事機器學習、人工智慧的相關人員閱讀。
作者介紹
周相兵|責編:李小銳
目錄
第1章  引言
  1.1  國內外研究進展
    1.1.1  基於劃分的聚類演算法研究進展
    1.1.2  基於智能學習的劃分聚類演算法研究進展
  1.2  GNSS數據智能聚類研究概述
  1.3  GNSS數據集
  1.4  本章小結
第2章  主要的支撐技術
  2.1  主要的智能學習技術
    2.1.1  遺傳演算法
    2.1.2  粒子群演算法
    2.1.3  蟻群演算法
  2.2  基於劃分的聚類技術
    2.2.1  K-means
    2.2.2  K-medians
    2.2.3  Fuzzy C-means
    2.2.4  K-means++
  2.3  非監督聚類評估技術
    2.3.1  PBM-index聚類評估技術
    2.3.2  DB-index聚類評估技術
    2.3.3  輪廓係數聚類評估技術
  2.4  主要的非參數統計方法
    2.4.1  Friedman Test
    2.4.2  Wilcoxon Rank Sum Test
  2.5  模糊系統
  2.6  本章小結
第3章  GPS數據的遺傳自動聚類演算法研究
  3.1  初始化種群生成技術
    3.1.1  染色體編碼與初始化種群生成技術
    3.1.2  Density-KMPlus：基於密度估計與K-means++的初始化種群生成方法
    3.1.3  Noise-KMPlus：基於雜訊與K-means++的初始化種群生成方法
    3.1.4  IConopy-KMPlus：改進Canopy與K-means++的初始化種群生成方法
    3.1.5  適應度函數選擇
  3.2  遺傳操作
    3.2.1  選擇操作
    3.2.2  基因重排與自適應交叉操作
    3.2.3  自適應變異操作
    3.2.4  精英操作
    3.2.5  共享小生境操作
  3.3  SeedClust：結合Density-KMPlus的遺傳K-means自動聚類方法
    3.3.1  基於Density-KMPlus的遺傳聚類方法描述
    3.3.2  實驗結果及複雜度分析
    3.3.3  基於Wilcoxon Rank Sum Test的非參數統計分析
  3.4  NoiseClust：結合Noise-KMPlus的遺傳K-means自動聚類方法
    3.4.1  基於Noise-KMPlus的小生境遺傳聚類方法描述
    3.4.2  實驗結果及複雜度分析
    3.4.3  基於Wilcoxon Rank Sum Test的非參數統計分析
  3.5  NicheClust：結合ICanopy-KMPlus的小生境遺傳K-means自動聚類方法
    3.5.1  基於ICanopy-KMPlus的小生境遺傳聚類方法描述
    3.5.2  實驗結果及複雜度分析

    3.5.3  基於Friedman Test的非參數統計分析
  3.6  本章小結
第4章  GPS數據的模糊粒子群-遺傳混合自動聚類演算法研究
  4.1  演算法的關鍵技術
    4.1.1  模糊系統輸入參數的設置
    4.1.2  PSO-GA混合聚類的原理及基本步驟
  4.2  基於FPSO-GA混合獲取最優粒子的K-means自動聚類演算法
    4.2.1  演算法的主要步驟
    4.2.2  實驗參數的設置
    4.2.3  實驗結果的對比和分析
  4.3  基於FPSO-GA混合的K-means自動聚類演算法
    4.3.1  演算法流程
    4.3.2  實驗參數的設置
    4.3.3  實驗結果的對比和分析
  4.4  本章小結
第5章  GPS數據的遺傳-模糊蟻群混合自動聚類演算法研究
  5.1  演算法的關鍵技術
    5.1.1  遺傳-模糊蟻群聚類的基本原理
    5.1.2  演算法的主要步驟
  5.2  實驗結果
    5.2.1  實驗參數的設置
    5.2.2  AutoClust實驗結果的對比和分析
    5.2.3  GA-FACO實驗結果的對比和分析
  5.3  本章小結
第6章  基於MapReduce的GPS數據遺傳自動聚類演算法研究
  6.1  MapReduce技術
  6.2  基於MapReduce的自適應遺傳的GPS數據聚類
    6.2.1  MrkClust：基於MapReduce的新穎的GAK聚類演算法
    6.2.2  演算法流程
  6.3  實驗結果
    6.3.1  數據集描述與參數設置
    6.3.2  實驗結果的對比及分析
  6.4  本章小結
第7章  最小二乘非監督軌跡回歸演算法與模糊遺傳軌跡聚類研究
  7.1  最小二乘回歸基本原理
  7.2  基於FCM的軌跡聚類方法
    7.2.1  軌跡的描述及定義
    7.2.2  軌跡片段的生成
    7.2.3  基於拉格朗日定理的軌跡FCM聚類演算法
    7.2.4  最小二乘的軌跡回歸結果
    7.2.5  關於實驗數據的描述
    7.2.6  結果及複雜度分析
  7.3  基於模糊遺傳的軌跡聚類方法
    7.3.1  模糊遺傳演算法
    7.3.2  聚類結果及複雜度分析
    7.3.3  最小二乘回歸的軌跡回歸結果
  7.4  本章小結
參考文獻
附錄

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032