從數據到知識：信息粒與規則推理模型構建方法

目錄
Foreword
序(譯文)
前言
第1章 緒論 1
1.1 背景與意義 1
1.2 面臨的挑戰 2
1.3 國內外相關工作 4
參考文獻 8
第2章 基礎知識 14
2.1 模糊集的基本概念 14
2.1.1 從二分原則到模糊集 14
2.1.2 隸屬度函數 16
2.1.3 α-截集 19
2.2 區間計算的基本概念 21
2.2.1 區間算子 21
2.2.2 區間的距離 22
2.2.3 區間的映射 24
2.3 模糊聚類算法 25
2.3.1 聚類算法概述 25
2.3.2 模糊C均值聚類算法 27
2.3.3 模糊C均值聚類的參數 30
2.3.4 多視圖FCM聚類算法 32
2.4 模糊規則模型 33
2.4.1 規則模型的基本概念 33
2.4.2 曼達尼模糊規則模型 34
2.4.3 TS模糊規則模型 37
2.5 聯邦學習方法 39
參考文獻 41
第3章 信息粒的概念與評估優化方法 43
3.1 信息粒的基本概念 43
3.2 信息粒的評估指標 45
3.2.1 區間信息粒評估 46
3.2.2 模糊集信息粒評估 47
3.2.3 全局指標計算 50
3.3 信息粒的優化方法 52
3.3.1 單目標優化方法 52
3.3.2 多目標優化方法 54
參考文獻 56
第4章 信息粒的構建方法 59
4.1 基於聚類的同質數據信息粒構建 59
4.1.1 同質數據信息粒構建方法 59
4.1.2 基於合理粒度原則構建信息粒 60
4.1.3 加權模糊C均值聚類算法 62
4.1.4 信息粒性能評估 64
4.1.5 模型性能分析 64
4.1.6 結論 68
4.2 基於模糊集近似的信息粒構建 68
4.2.1 基於梯形模糊集的模糊集優化 69
4.2.2 基於區間Ⅱ型梯形模糊集的模糊集優化 71
4.2.3 模型性能分析 75
4.2.4 結論 79
4.3 協同模糊聚類算法 79
4.3.1 橫向協同模糊聚類的概念和算法 80
4.3.2 協同強度的優化 83
4.3.3 劃分矩陣的粒化表征 84
4.3.4 模型性能分析 85
4.3.5 結論 88
4.4 多視圖數據聚類方法 88
4.4.1 多視圖原型構建 89
4.4.2 聚類算法的優化 89
4.4.3 聚類算法的收斂性分析 90
4.4.4 模型性能分析 91
4.4.5 結論 95
4.5 基於超平面分割的海量數據聚類 95
4.5.1 基於超平面的數據集分割方法 96
4.5.2 大數據聚類的兩種策略 97
4.5.3 模型性能分析 99
4.5.4 結論 101
4.6 基於符號分析的數據聚類 102
4.6.1 數值數據的符號特征化方法 102
4.6.2 信息粒的語言總結 104
4.6.3 模型性能分析 105
4.6.4 結論 106
參考文獻 107
第5章 基於信息粒的模糊規則模型構建方法 109
5.1 基於聚類的模糊規則模型建模方法 109
5.1.1 基於輸入空間聚類的規則模型構建方法 109
5.1.2 基於輸入-輸出空間聚類的規則模型構建方法 111
5.1.3 結論 112
5.2 基於協同聚類的模糊規則模型構建方法 112
5.2.1 基於協同策略的模糊規則模型 113
5.2.2 基於模糊規則模型確定輸出 116
5.2.3 模型性能分析 117
5.2.4 結論 120
5.3 基於輸出空間知識指導的模糊規則模型構建方法 120
5.3.1 輸出空間的知識啟示 120
5.3.2 基於輸出空間知識啟示的輸入空間的劃分策略 121
5.3.3 模型性能分析 125
5.3.4 結論 127
5.4 隨機集成的模糊規則預測模型的構建方法 127
5.4.1 隨機基函數近似 128
5.4.2 基於隨機原型的模糊規則模型構建方法 128
5.4.3 基於基函數隨機的模糊規則模型構建方法 131
5.4.4 規則隨機集成模型構建方法 132
5.4.5 模型性能分析 135
5.4.6 結論 138
5.5 基於信息粒的規則分類模型的構建方法 139
5.5.1 分類規則的構建 139
5.5.2 分類規則的合並 142
5.5.3 分類模型的增強方法 142
5.5.4 模型性能分析 143
5.5.5 結論 146
5.6 基於多視圖數據聚類的規則分類模型構建 146
5.6.1 模型框架 147
5.6.2 模型參數優化方法 148
5.6.3 模型性能分析 149
5.6.4 結論 151
5.7 面向缺失數據的信息粒和分類規則模型構建 152
5.7.1 分類規則構建方法 152
5.7.2 分類器優化方法 154
5.7.3 缺失數據的信息粒填補方法 155
5.7.4 模型性能分析 155
5.7.5 結論 158
參考文獻 158
第6章 粒度模糊規則模型的構建方法 162
6.1 輸入空間粒化的粒度模糊規則模型構建 162
6.1.1 粒化輸入空間方法 163
6.1.2 信息粒度的最優分配 165
6.1.3 神經網絡及其粒化 165
6.1.4 實驗研究 167
6.1.5 結論 170
6.2 模型參數粒化的粒度模糊規則模型構建 170
6.2.1 模型參數粒化概述 171
6.2.2 基於原型的模糊規則模型 171
6.2.3 參數粒化的粒度模糊規則模型 172
6.2.4 實驗研究 179
6.2.5 結論 183
6.3 輸出空間粒化的粒度模糊規則模型構建 183
6.3.1 輸出空間粒度模糊規則模型設計架構 183
6.3.2 輸出空間粒度水平配置方法 184
6.3.3 實驗研究 186
6.3.4 結論 189
6.4 面向缺失數據的粒度模糊規則模型構建方法 189
6.4.1 缺失數據的信息粒構建策略 190
6.4.2 粒度模糊規則模型構建 192
6.4.3 粒度模糊規則模型評估及優化 193
6.4.4 實驗研究 194
6.4.5 結論 200
6.5 基於信息粒度分配的層次粒度模糊規則模型構建方法 200
6.5.1 層次粒度模糊規則模型概述 200
6.5.2 粒度模糊規則模型的層次結構構建 201
6.5.3 實驗研究 206
6.5.4 結論 210
6.6 粒度模糊規則模型與異常值檢測 210
6.6.1 粒度模糊規則模型和粒度異常值概述 210
6.6.2 粒度模糊規則模型構建 211
6.6.3 高次型粒度模糊模型與異常值檢測 212
6.6.4 實驗研究 214
6.6.5 結論 215
參考文獻 216
第7章 聯邦學習框架下的模糊規則模型構建方法 218
7.1 一種高效的聯邦多視圖模糊C均值聚類算法 218
7.1.1 聯邦多視圖模糊C均值聚類算法 219
7.1.2 聯邦多視圖模糊C均值共識原型聚類 221
7.1.3 實驗研究 226
7.1.4 結論 231
7.2 基於TS模糊規則模型的水平聯邦學習方法 232
7.2.1 基於模糊規則模型的聯邦學習的實現 232
7.2.2 實驗研究 237
7.2.3 結論 242
7.3 基於水平聯邦學習的模糊規則分類器構建方法 242
7.3.1 基於模糊規則的多類分類器 243
7.3.2 模糊規則分類器在水平聯邦學習中的實現 248
7.3.3 實驗研究 249
7.3.4 結論 253
7.4 基於垂直聯邦學習的模糊規則建模方法 254
7.4.1 垂直分布數據概述 255
7.4.2 垂直聯邦模糊聚類的實現 256
7.4.3 垂直聯邦模糊規則的模型構建 258
7.4.4 實驗研究 260
7.4.5 結論 263
參考文獻 264
第8章 總結與展望 266