网志栈编辑推荐
（1）针对现有模糊认知图框架，分析其优缺点和国内外相关技术的现状。
（2）提出一种新的模糊认知图分类器模型构造方法。
（3）提出一种基于多测度的范异构模糊认知图集成分类器模型。
（4）对复合金字塔模型的综合分析层进行深入分析。 ；
内容简介
《基于模糊认知图的集成分类器构造研究》是以作者马楠近些年的研究成果为基础的科学专著，也是国内第一部以模糊认知图为主题的专著。
本书密切跟踪国际前沿研究主流的发展趋向，探析了模糊认知图的研究方向、模糊认知图的学习方法、模糊认知图分类器及其集成模型。本书以探讨模糊认知图分类的关键因素为导向，以论述基础概念-研究相关算法-提出可行模型为主线，有效利用模糊认知图解决了在蛋白质二级结构环境中的分类问题。
本书可作为高等院校和科研机构的计算机和统计学科相关专业的研究生教材，也可作为企事业单位、研究机构等从事模糊认知图、数据挖掘理论研究工作相关人员的参考书。
作者简介
马楠，博士，中共党员，北京联合大学信息学院教科办主任，硕士研究生副导师，中国计算机学会会员。2001年7月开始在北京联合大学信息学院任教，主讲《数据库原理与应用》、《软件工程》、《数据仓库与数据挖掘》等课程，研究方向为数据挖掘与知识发现、大数据处理。2013年获批国家自然基金青年科学基金项目，2010年、2011和2012年连续三年获得北京市属高等学校人才强教――中青年骨干人才培养计划资助；主持并完成了市教委课题1项、企业横向课题2项；参与国家自然基金项目1项；主持校级课题2项，具有较强的科研能力和较扎实的理论基础。目前已在国内外重要学术期刊、国际学术会议上发表高水平论文20余篇,被SCI/EI/ISTP检索10余篇；是国际会议InternationalConferenceonMobileITConvergence,ICMIC2011；5thInternationalConferenceonNewTrendsinInformationScienceandServiceScience,NISS2011的组委会成员。编写教材3部，其中一部教材为主编，两部“十一五”*规划教材副主编；取得职务发明专利1项；软件著作权5项。2005年7月-2005年8月到澳大利亚SydneyUniversity进行双语教学培训；2007年7月~2008年1月到英国ARU（AngliaRuskinUniversity）大学访问学习。参与的教学改革项目2013年获得第七届北京市教学成果一等奖，获得2013年中国高等教育学会工程教育专业委员会优秀工程教育研究成果三等奖。2010年至2013年两次指导学生参加华北五省暨港澳台计算机应用大赛获得一等奖，多次获得校级优秀毕业设计指导教师、“*课堂”等称号。
目录
第1章 引言
1.1 研究背景
1.2 主要研究内容和创新点
1.3 全书的组织安排
第2章 文献综述
2.1 数据挖掘的产生与发展
2.1.1 数据挖掘过程
2.1.2 数据挖掘的技术方法
2.1.3 数据挖掘应用领域
2.2 数据挖掘的研究热点及趋势分析
2.2.1 空间数据挖掘
2.2.2 分布式数据挖掘
2.2.3 基于云计算的数据挖掘
2.3 基于内在认知机理的知识发现理论KDT
前沿
前 言
自1976年Axelord首次提出三值认知图后，1986年，Kosko等人结合模糊集合论提出把概念节点间的三值逻辑关系扩展为[-1,1]区间上的模糊关系，正式提出了模糊认知图（Fuzzy Cognitive Maps，FCM）理论。此后众多专家学者对FCM进行了拓展性研究，出现了定性概率网络、基于规则的认知图模型、动态认知网络、概率模糊认知图等诸多类型，从一定程度上丰富和发展了模糊认知图理论体系。但遗憾的是，到目前为止还没有发现完整的模糊认知图在分类机理方面的研究成果，更没有深入到从集成分类器的角度进行审视和考量。由此可见，深入分析模糊认知图内涵的分类机理的本质，进而从理论和技术上较好地解决模糊认知图在分类问题中的应用，势必将从一定程度上推动本学科的发展。因此，该课题的研究具有重大的理论意义和应用价值。本书的关注点集中在处理模糊认知图分类的主流方法，主要研究内容可概括为以下四点。
（1）从模糊认知图的定义出发，针对现有基于模糊认知图框架下各种模糊认知图的技术方法进行详细描述，并分析其各自的优缺点和目前国内外相关技术的研究现状。
（2）提出了一种新的模糊认知图分类器模型构造方法，包括构建流程、激活函数、推理规则和学习方法等核心构件。该模型利用提出的动态交叉变异算子自适应遗传进化过程，实现种群间自动调节和自动适应。仿真实验表明：提出的模型增强了局部随机搜索能力，加强了算法的全局收敛能力，与其他经典分类方法相比，具有较好的性能。
（3）提出了一种基于多测度的范异构模糊认知图集成分类器模型。在分析基于集成学习的模糊认知图分类器构造过程的基础上，分别设计了基于Adaboost集成算法和Bagging集成方法的FCMCM多分类器集成方法；通过对文物进行分类的实验案例，说明FCM集成分类器改善与提高了模糊认知图的分类功能，在很大程度上解决了模糊认知图参与挖掘过程的问题，进而构造了基于多测度的范异构分类器集成模型（Multi-measure based Integrating Generalizedly Heterogeneous Classifier，FCMCM-MMIHC）， 即将多FCMCM分类器集成过程划分为两个阶段：样本分离阶段和Bagging组合阶段，前者采用一致投票原则，后者采用多数投票原则。在多个UCI数据集上的测试表明，与基于Adaboost和Bagging的多FCM分类器集成分类器相比，FCMCM-MMIHC分类精度最高，从而验证了FCMCMMMIHC
的正确性与先进性。
（4）结合提出的模糊认知图分类器FCMCM和模糊认知图集成分类器FCMCM-MMIHC，对复合金字塔模型的综合分析层进行深入分析，将FCMCM及FCMCM-MMIHC分别融合到蛋白质二级结构预测系统中，分别形成了蛋白质二级结构预测模型CPMF和CPMFM（统写为CPMFCM）的新构造。融合了该层的同源分析方法和SVM方法，改变了原来综合分析层的投票策略，把原用的一致投票策略改为多数投票策路，使改进的复合金字塔模型CPMFCM在预测精度方面获得了较大的提升。
通过连续对国内外文献的跟踪，尚未见到与以上创新点相同的研究，本书所取得的研究成果在一定程度上克服了模糊认知图分类难的问题，进一步丰富和发展了模糊认知图的理论体系。
本书的出版受北京市信息服务工程重点实验室、国家自然科学基金青年基金项目“基于全新融合机制的模糊认知图集成分类器模型与算法研究（项目编号：61300078）”、北京联合大学新起点计划项目（2k10201312）和国家级服务外包人才培养模式创新实验区2013年专项人才培养项目资助。感谢杨炳儒教授、鲍泓教授、田景文教授、刘宏哲副教授对本书提出的宝贵意见，本书出版过程中，得到了北京联合大学信息学院领导、同事的大力支持与帮助，电子工业出版社的副总编高平编审、许存权编辑在本书的编写过程中提出了很多宝贵的意见和建议，在此，作者向他们一并表示深深的感谢。
然学无止境，研究历程让我感觉到自己知识的局限与匮乏，取得的成果也仅为沧海一粟。由于本人学识疏浅、时间仓促以及经验不足，有些成果仅是作者一孔之见，书中的不足和错误在所难免，故恳请各位同行斧正。
马 楠
2014年4月20日
免费在线读
前 言
自1976年Axelord首次提出三值认知图后，1986年，Kosko等人结合模糊集合论提出把概念节点间的三值逻辑关系扩展为[-1,1]区间上的模糊关系，正式提出了模糊认知图（Fuzzy Cognitive Maps，FCM）理论。此后众多专家学者对FCM进行了拓展性研究，出现了定性概率网络、基于规则的认知图模型、动态认知网络、概率模糊认知图等诸多类型，从一定程度上丰富和发展了模糊认知图理论体系。但遗憾的是，到目前为止还没有发现完整的模糊认知图在分类机理方面的研究成果，更没有深入到从集成分类器的角度进行审视和考量。由此可见，深入分析模糊认知图内涵的分类机理的本质，进而从理论和技术上较好地解决模糊认知图在分类问题中的应用，势必将从一定程度上推动本学科的发展。因此，该课题的研究具有重大的理论意义和应用价值。本书的关注点集中在处理模糊认知图分类的主流方法，主要研究内容可概括为以下四点。
（1）从模糊认知图的定义出发，针对现有基于模糊认知图框架下各种模糊认知图的技术方法进行详细描述，并分析其各自的优缺点和目前国内外相关技术的研究现状。
（2）提出了一种新的模糊认知图分类器模型构造方法，包括构建流程、激活函数、推理规则和学习方法等核心构件。该模型利用提出的动态交叉变异算子自适应遗传进化过程，实现种群间自动调节和自动适应。仿真实验表明：提出的模型增强了局部随机搜索能力，加强了算法的全局收敛能力，与其他经典分类方法相比，具有较好的性能。
（3）提出了一种基于多测度的范异构模糊认知图集成分类器模型。在分析基于集成学习的模糊认知图分类器构造过程的基础上，分别设计了基于Adaboost集成算法和Bagging集成方法的FCMCM多分类器集成方法；通过对文物进行分类的实验案例，说明FCM集成分类器改善与提高了模糊认知图的分类功能，在很大程度上解决了模糊认知图参与挖掘过程的问题，进而构造了基于多测度的范异构分类器集成模型（Multi-measure based Integrating Generalizedly Heterogeneous Classifier，FCMCM-MMIHC）， 即将多FCMCM分类器集成过程划分为两个阶段：样本分离阶段和Bagging组合阶段，前者采用一致投票原则，后者采用多数投票原则。在多个UCI数据集上的测试表明，与基于Adaboost和Bagging的多FCM分类器集成分类器相比，FCMCM-MMIHC分类精度最高，从而验证了FCMCMMMIHC
的正确性与先进性。
（4）结合提出的模糊认知图分类器FCMCM和模糊认知图集成分类器FCMCM-MMIHC，对复合金字塔模型的综合分析层进行深入分析，将FCMCM及FCMCM-MMIHC分别融合到蛋白质二级结构预测系统中，分别形成了蛋白质二级结构预测模型CPMF和CPMFM（统写为CPMFCM）的新构造。融合了该层的同源分析方法和SVM方法，改变了原来综合分析层的投票策略，把原用的一致投票策略改为多数投票策路，使改进的复合金字塔模型CPMFCM在预测精度方面获得了较大的提升。
通过连续对国内外文献的跟踪，尚未见到与以上创新点相同的研究，本书所取得的研究成果在一定程度上克服了模糊认知图分类难的问题，进一步丰富和发展了模糊认知图的理论体系。
本书的出版受北京市信息服务工程重点实验室、国家自然科学基金青年基金项目“基于全新融合机制的模糊认知图集成分类器模型与算法研究（项目编号：61300078）”、北京联合大学新起点计划项目（2k10201312）和国家级服务外包人才培养模式创新实验区2013年专项人才培养项目资助。感谢杨炳儒教授、鲍泓教授、田景文教授、刘宏哲副教授对本书提出的宝贵意见，本书出版过程中，得到了北京联合大学信息学院领导、同事的大力支持与帮助，电子工业出版社的副总编高平编审、许存权编辑在本书的编写过程中提出了很多宝贵的意见和建议，在此，作者向他们一并表示深深的感谢。
然学无止境，研究历程让我感觉到自己知识的局限与匮乏，取得的成果也仅为沧海一粟。由于本人学识疏浅、时间仓促以及经验不足，有些成果仅是作者一孔之见，书中的不足和错误在所难免，故恳请各位同行斧正。
马 楠
2014年4月20日
基于模糊认知图的集成分类器构造研究 pdf下载声明
本pdf资料下载仅供个人学习和研究使用，不能用于商业用途，请在下载后24小时内删除。如果喜欢，请购买正版
