数据挖掘技术及其在恒星光谱分析中的应用研究

9.3.4 研究进展

9.3.3 主要研究问题

9.3.2 天文大数据机器学习系统的特征

9.3.1 研究背景和问题

9.3 天文大数据机器学习

9.2.5 天文大数据处理技术存在的问题与不足

9.2.4 天文大数据分析方法

9.2.3 天文大数据并行化计算技术

9.2.2 天文大数据分布式存储技术

9.2.1 天文大数据处理框架

9.2 天文大数据处理的关键技术

9.1.2 大数据处理技术

9.1.1 天文大数据

9.1 研究背景

第9章 天文大数据挖掘

8.3.4 结论

8.3.3 实验分析

8.3.2 算法描述

8.3.1 带无标签数据的双支持向量机

8.3 利用带无标签数据的双支持向量机对恒星光谱分类

8.2.4 结论

8.2.3 实验分析

8.2.2 CFCM与传统降维方法的关系

8.2.1 基于Fisher准则和流形学习的分类方法

8.2 基于Fisher准则和流形学习的恒星光谱分类方法

8.1.3 结论

8.1.2 实验分析

8.1.1 非线性集成学习机

8.1 基于非线性学习机的大规模恒星光谱分类方法

第8章 恒星光谱自动分类方法新发展

7.3.3 结论

7.3.2 实验分析

7.3.1 模糊大间隔最小球分类模型

7.3 基于模糊大间隔最小球分类模型的恒星光谱离群数据挖掘方法

7.2.6 结论

7.2.5 实验分析

7.2.4 基于互信息的代价缺失决策树

7.2.3 剪枝方法

7.2.2 决策树的构造

7.2.1 背景知识

7.2 利用基于互信息的非平衡分类方法识别稀有光谱

7.1.5 结论

7.1.4 实验分析

7.1.3 基于核心向量机的OCLM

7.1.2 基于熵的单类学习机

7.1.1 熵理论

7.1 利用基于熵的单类学习机发现稀有光谱

第7章 稀有天体光谱自动发现方法

6.5.3 结论

6.5.2 实验分析

6.5.1 FMWSVM

6.5 基于模糊最小类内散度支持向量机的恒星光谱分类

6.4.3 结论

6.4.2 实验分析

6.4.1 MMSVM

6.4 基于最小类内散度、最大类间散度支持向量机的恒星光谱分类

6.3.3 结论

6.3.2 实验分析

6.3.1 基于流形判别分析的支持向量机

6.3 基于流形判别分析和支持向量机的恒星光谱数据自动分类方法

6.2.3 结论

6.2.2 实验分析

6.2.1 多类支持向量机

6.2 基于多类支持向量机的恒星光谱分类方法

6.1.4 结论

6.1.3 实验分析

6.1.2 流形模糊双支持向量机

6.1.1 双支持向量机

6.1 基于流形模糊双支持向量机的恒星光谱分类方法

第6章 基于支持向量机及其变种的恒星光谱分类方法

5.6 光谱自动分类方法研究

5.5 天文数据挖掘应用研究

5.4.2 天文数据挖掘的主要任务

5.4.1 天文数据挖掘的必要性

5.4 天文学中的数据挖掘

5.3 天文数据的特点

5.2 大型巡天项目

5.1 引言

第5章 天文数据挖掘研究进展

4.5.2 基于信度的BP算法

4.5.1 BP神经网络

4.5 基于信度的BP神经网络

4.4.2 FSVDD-CVM

4.4.1 模糊支持向量数据描述

4.4 面向大规模数据的模糊支持向量数据描述

4.3.3 CCMEB及BACVM

4.3.2 BAMLM原理

4.3.1 光束角

4.3 基于光束角思想的最大间隔学习机

4.2.3 理论分析

4.2.2 MPMMFC原理

4.2.1 N-S磁极效应

4.2 具有N-S磁极效应的最大间隔模糊分类器

4.1 支持向量数据描述

第4章 基于决策边界的智能分类方法

3.5.3 理论分析

3.5.2 MEKLM原理

3.5.1 核密度估计和熵理论

3.5 基于核密度估计与熵理论的最大间隔学习机

3.4.3 理论分析

3.4.2 最小MWCS支持向量机

3.4.1 MCVSVM

3.4 最小流形类内离散度支持向量机

3.3.2 大规模分类

3.3.1 最优化问题

3.3 基于最大散度差的保序分类算法

3.2.2 大规模分类

3.2.1 GRPLM原理

3.2 基于流形判别分析的全局保序学习机

3.1.5 核心向量机

3.1.4 模糊理论

3.1.3 流形判别分析

3.1.2 支持向量数据描述

3.1.1 支持向量机

3.1 背景知识

第3章 基于数据分布特征的智能分类方法

2.8.5 推广性结论

2.8.4 Parzen窗与PCA

2.8.3 Parzen窗与LDA

2.8.2 Parzen窗与LPP

2.8.1 Parzen窗

2.8 特征提取新视角：基于Parzen窗估计的方法

2.7 基于Fisher准则的半监督数据降维方法

2.6.3 复杂度分析

2.6.2 算法描述

2.6.1 最优化问题

2.6 融合全局和局部特征的特征提取方法

2.5 基于图的数据降维方法

2.4 基于矩阵指数的线性判别分析算法

2.3 标量化的线性判别分析算法

2.2 基于多阶矩阵组合的LDA

2.1.2 保局投影算法

2.1.1 线性判别分析

2.1 背景知识

第2章 特征降维方法研究

1.4 研究思路

1.3.3 聚类分析

1.3.2 智能分类

1.3.1 特征降维

1.3 数据挖掘研究现状

1.2 数据挖掘存在的问题

1.1 数据挖掘基本理论

第1章 数据挖掘研究进展

前言

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

前言

第1章 数据挖掘研究进展

1.1 数据挖掘基本理论

1.2 数据挖掘存在的问题

1.3 数据挖掘研究现状

1.3.1 特征降维

1.3.2 智能分类

1.3.3 聚类分析

1.4 研究思路

第2章 特征降维方法研究

2.1 背景知识

2.1.1 线性判别分析

2.1.2 保局投影算法

2.2 基于多阶矩阵组合的LDA

2.3 标量化的线性判别分析算法

2.4 基于矩阵指数的线性判别分析算法

2.5 基于图的数据降维方法

2.6 融合全局和局部特征的特征提取方法

2.6.1 最优化问题

2.6.2 算法描述

2.6.3 复杂度分析

2.7 基于Fisher准则的半监督数据降维方法

2.8 特征提取新视角：基于Parzen窗估计的方法

2.8.1 Parzen窗

2.8.2 Parzen窗与LPP

2.8.3 Parzen窗与LDA

2.8.4 Parzen窗与PCA

2.8.5 推广性结论

第3章 基于数据分布特征的智能分类方法

3.1 背景知识

3.1.1 支持向量机

3.1.2 支持向量数据描述

3.1.3 流形判别分析

3.1.4 模糊理论

3.1.5 核心向量机

3.2 基于流形判别分析的全局保序学习机

3.2.1 GRPLM原理

3.2.2 大规模分类

3.3 基于最大散度差的保序分类算法

3.3.1 最优化问题

3.3.2 大规模分类

3.4 最小流形类内离散度支持向量机

3.4.1 MCVSVM

3.4.2 最小MWCS支持向量机

3.4.3 理论分析

3.5 基于核密度估计与熵理论的最大间隔学习机

3.5.1 核密度估计和熵理论

3.5.2 MEKLM原理

3.5.3 理论分析

第4章 基于决策边界的智能分类方法

4.1 支持向量数据描述

4.2 具有N-S磁极效应的最大间隔模糊分类器

4.2.1 N-S磁极效应

4.2.2 MPMMFC原理

4.2.3 理论分析

4.3 基于光束角思想的最大间隔学习机

4.3.1 光束角

4.3.2 BAMLM原理

4.3.3 CCMEB及BACVM

4.4 面向大规模数据的模糊支持向量数据描述

4.4.1 模糊支持向量数据描述

4.4.2 FSVDD-CVM

4.5 基于信度的BP神经网络

4.5.1 BP神经网络

4.5.2 基于信度的BP算法

第5章 天文数据挖掘研究进展

5.1 引言

5.2 大型巡天项目

5.3 天文数据的特点

5.4 天文学中的数据挖掘

5.4.1 天文数据挖掘的必要性

5.4.2 天文数据挖掘的主要任务

5.5 天文数据挖掘应用研究

5.6 光谱自动分类方法研究

第6章 基于支持向量机及其变种的恒星光谱分类方法

6.1 基于流形模糊双支持向量机的恒星光谱分类方法

6.1.1 双支持向量机

6.1.2 流形模糊双支持向量机

6.1.3 实验分析

6.1.4 结论

6.2 基于多类支持向量机的恒星光谱分类方法

6.2.1 多类支持向量机

6.2.2 实验分析

6.2.3 结论

6.3 基于流形判别分析和支持向量机的恒星光谱数据自动分类方法

6.3.1 基于流形判别分析的支持向量机

6.3.2 实验分析

6.3.3 结论

6.4 基于最小类内散度、最大类间散度支持向量机的恒星光谱分类

6.4.1 MMSVM

6.4.2 实验分析

6.4.3 结论

6.5 基于模糊最小类内散度支持向量机的恒星光谱分类

6.5.1 FMWSVM

6.5.2 实验分析

6.5.3 结论

第7章 稀有天体光谱自动发现方法

7.1 利用基于熵的单类学习机发现稀有光谱

7.1.1 熵理论

7.1.2 基于熵的单类学习机

7.1.3 基于核心向量机的OCLM

7.1.4 实验分析

7.1.5 结论

7.2 利用基于互信息的非平衡分类方法识别稀有光谱

7.2.1 背景知识

7.2.2 决策树的构造

7.2.3 剪枝方法

7.2.4 基于互信息的代价缺失决策树

7.2.5 实验分析

7.2.6 结论

7.3 基于模糊大间隔最小球分类模型的恒星光谱离群数据挖掘方法

7.3.1 模糊大间隔最小球分类模型

7.3.2 实验分析

7.3.3 结论

第8章 恒星光谱自动分类方法新发展

8.1 基于非线性学习机的大规模恒星光谱分类方法

8.1.1 非线性集成学习机

8.1.2 实验分析

8.1.3 结论

8.2 基于Fisher准则和流形学习的恒星光谱分类方法

8.2.1 基于Fisher准则和流形学习的分类方法

8.2.2 CFCM与传统降维方法的关系

8.2.3 实验分析

8.2.4 结论

8.3 利用带无标签数据的双支持向量机对恒星光谱分类

8.3.1 带无标签数据的双支持向量机

8.3.2 算法描述

8.3.3 实验分析

8.3.4 结论

第9章 天文大数据挖掘

9.1 研究背景

9.1.1 天文大数据

9.1.2 大数据处理技术

9.2 天文大数据处理的关键技术

9.2.1 天文大数据处理框架

9.2.2 天文大数据分布式存储技术

9.2.3 天文大数据并行化计算技术

9.2.4 天文大数据分析方法

9.2.5 天文大数据处理技术存在的问题与不足

9.3 天文大数据机器学习

9.3.1 研究背景和问题

9.3.2 天文大数据机器学习系统的特征

9.3.3 主要研究问题

9.3.4 研究进展