Knowledge-Based Clustering : From Data to Information Granules
暫譯: 基於知識的聚類：從數據到信息粒子

Witold Pedrycz

Knowledge-Based Clustering : From Data to Information Granules
  • 出版商: Wiley
  • 出版日期: 2005-01-01
  • 售價: $5,210
  • 貴賓價: 9.5 折 $4,950
  • 語言: 英文
  • 頁數: 336
  • 裝訂: Hardcover
  • ISBN: 0471469661
  • ISBN-13: 9780471469667
  • 相關分類: 大數據 Big-data、Data Science

    • 海外代購書籍(需單獨結帳)

買這商品的人也買了...

相關主題

商品描述

Descriptions:

* A comprehensive coverage of emerging and current technology dealing with heterogeneous sources of information, including data, design hints, reinforcement signals from external datasets, and related topics
* Covers all necessary prerequisites, and if necessary,additional explanations of more advanced topics, to make abstract concepts more tangible
* Includes illustrative material andwell-known experimentsto offer hands-on experience

Table of Contents:

Preface.

1. Clustering and Fuzzy Clustering.

1. Introductory Comments.

2. The Basic Notions and Notation.

2.1 Types of Data.

2.2 Distance and Similarity.

3. Main Categories of Clustering Algorithms.

3.1 Hierarchical Clustering.

3.2 Objective Function – Based Clustering.

4. Clustering and Classification.

5. Fuzzy Clustering.

6. Cluster Validity.

7. Extensions of Objective Function-Based Fuzzy Clustering.

7.1 Augmented Geometry of Fuzzy Clusters: Fuzzy C-Varieties.

7.2 Possibilistic Clustering.

7.3 Noise Clustering.

8. Self Organizing Maps and Fuzzy Objective Function Based Clustering.

9. Conclusions.

References.

2. Computing with Granular Information: Fuzzy Sets and Fuzzy Relations.

1. A Paradigm of Granular Computing: Information Granules and their Processing.

2. Fuzzy Sets as Human-Centric Information Granules.

3. Operations on Fuzzy Sets.

4. Fuzzy Relations.

5. Comparison of Two Fuzzy Sets.

6. Generalizations of Fuzzy Sets.

7. Shadowed Sets.

8. Rough Sets.

9. Granular Computing and Distributed Processing.

10. Conclusions.

References.

3. Logic-Oriented Neurocomputing.

1. Introduction.

2. Main Categories of Fuzzy Neurons.

2.1 Aggregative Neurons.

2.2 Referential (reference) Neurons.

3. Architectures of Logic Networks.

4. Interpretation Aspects of the Networks.

5. The Granular Interfaces of Logic Processing.

6. Conclusions.

References.

4. Conditional Fuzzy Clustering.

1. Introduction.

2. Problem Statement: Context Fuzzy Sets and Objective Function.

3. The Optimization Problem.

4. Computational Considerations of Conditional Clustering.

5. Generalizations of the Algorithm Through the Aggregation Operator.

6. Fuzzy Clustering with Spatial Constraints.

7. Conclusions.

References.

5. Clustering with Partial Supervision.

1. Introduction.

2. Problem Formulation.

3. The Design of the Clusters.

4. Experimental Examples.

5. Cluster-Based Tracking Problem.

6. Conclusions.

References.

6. Principles of Knowledge-Based Guidance in Fuzzy Clustering.

1. Introduction.

2. Examples of Knowledge-Oriented Hints and their General Taxonomy.

3. The Optimization Environment of Knowledge-Enhanced Clustering.

4. Quantification of Knowledge-Based Guidance Hints and Their Optimization.

5. The Organization of the Interaction Process.

6. Proximity – Based Clustering (P-FCM).

7. Web Exploration and P-FCM.

8. Linguistic Augmentation of Knowledge-Based Hints.

9. Concluding Comments.

References.

7. Collaborative Clustering.

1. Introduction and Rationale.

2. Horizontal and Vertical Clustering.

3. Horizontal Collaborative Clustering.

3.1 Optimization Details.

3.2 The Flow of Computing of Collaborative Clustering.

3.3 Quantification of the Collaborative Phenomenon of the Clustering.

4. Experimental Studies.

5. Further Enhancements of Horizontal Clustering.

6. The Algorithm of Vertical Clustering.

7. A Grid Model of Horizontal and Vertical Clustering.

8. Consensus Clustering.

9. Conclusions.

References.

8. Directional Clustering.

1. Introduction.

2. Problem Formulation.

2.1 The Objective Function.

2.2 The Logic Transformation Between Information Granules.

3. The Algorithm.

4. The Overall Development Framework of Directional Clustering.

5. Numerical Studies.

6. Conclusions.

References.

9. Fuzzy Relational Clustering.

1. Introduction and Problem Statement.

2. FCM for Relational Data.

3. Decomposition of Fuzzy Relational Patterns.

3.1 Gradient-Based Solution to the Decomposition Problem.

3.2 Neural Network Model of the Decomposition Problem.

4. Comparative Analysis.

5. Conclusions.

References.

10. Fuzzy Clustering of Heterogeneous Patterns.

1. Introduction.

2. Heterogeneous Data.

3. Parametric Models of Granular Data.

4. Parametric Mode of Heterogeneous Fuzzy Clustering.

5. Nonparametric Heterogeneous Clustering.

5.1 A Frame of Reference.

5.2 Representation of Granular Data Through the Possibility-Necessity Transformation.

5.3 Dereferencing.

6. Conclusions.

References.

11. Hyperbox Models of Granular Data: The Tchebyschev FCM.

1. Introduction.

2. Problem Formulation.

3. The Clustering Algorithm-Detailed Considerations.

4. The Development of Granular Prototypes.

5. The Geometry of Information Granules.

6. Granular Data Description: A General Model.

7. Conclusions.

References.

12. Genetic Tolerance Fuzzy Neural Networks.

1. Introduction.

2. Operations of Thresholdings and Tolerance: Fuzzy Logic-Based Generalizations.

3. The Topology of the Logic Network.

4. Genetic Optimization.

5. Illustrative Numeric Studies.

6. Conclusions.

References.

13. Granular Prototyping.

1. Introduction.

2. Problem Formulation.

2.1 Expressing Similarity Between Two Fuzzy Sets.

2.2 Performance Index (objective function).

3. Prototype Optimization.

4. The Development of Granular Prototypes.

4.1 Optimization of the Similarity Levels.

4.2 An Inverse Similarity Problem.

5. Conclusions.

References.

14. Granular Mappings.

1. Introduction and Problem Statement.

2. Possibility and Necessity measure as the Computational Vehicle of Granular Representation.

3. Building the Granular Mapping.

4. The Design of Multivariable Granular Mappings Through Fuzzy Clustering.

5. Quantification of Granular Mappings.

6. Experimental Studies.

7. Conclusions.

References.

15. Linguistic Modeling.

1. Introduction.

2. The Cluster-Based Representation of the Input – Output Mapping.

3. Conditional Clustering in the development of a blueprint of granular models.

4. Granular neuron as a Generic Processing Element in Granular Networks.

5. The Architecture of Linguistic Models Based on Conditional Fuzzy Clustering.

6. Refinements of Linguistic Models.

7. Conclusions.

References.

Bibliography.

商品描述(中文翻譯)

描述：
* 全面涵蓋處理異質信息來源的最新和當前技術，包括數據、設計提示、來自外部數據集的增強信號及相關主題
* 涵蓋所有必要的先決條件，並在必要時對更高級主題進行額外解釋，以使抽象概念更具體
* 包含插圖材料和知名實驗，以提供實踐經驗

目錄：
前言。
1. 聚類與模糊聚類。
1. 引言評論。
2. 基本概念與符號。
2.1 數據類型。
2.2 距離與相似性。
3. 聚類算法的主要類別。
3.1 層次聚類。
3.2 基於目標函數的聚類。
4. 聚類與分類。
5. 模糊聚類。
6. 聚類有效性。
7. 基於目標函數的模糊聚類的擴展。
7.1 模糊聚類的增強幾何：模糊C-變體。
7.2 可能性聚類。
7.3 噪聲聚類。
8. 自組織映射與基於模糊目標函數的聚類。
9. 結論。
參考文獻。
2. 使用顆粒信息進行計算：模糊集與模糊關係。
1. 顆粒計算的範式：信息顆粒及其處理。
2. 模糊集作為以人為中心的信息顆粒。
3. 模糊集的運算。
4. 模糊關係。
5. 兩個模糊集的比較。
6. 模糊集的概括。
7. 影子集。
8. 粗糙集。
9. 顆粒計算與分佈式處理。
10. 結論。
參考文獻。
3. 邏輯導向的神經計算。
1. 引言。
2. 模糊神經元的主要類別。
2.1 聚合神經元。
2.2 參考神經元。
3. 邏輯網絡的架構。
4. 網絡的解釋方面。
5. 邏輯處理的顆粒接口。
6. 結論。
參考文獻。
4. 條件模糊聚類。
1. 引言。
2. 問題陳述：上下文模糊集與目標函數。
3. 優化問題。
4. 條件聚類的計算考量。
5. 通過聚合運算符的算法概括。
6. 帶有空間約束的模糊聚類。
7. 結論。
參考文獻。
5. 部分監督的聚類。
1. 引言。
2. 問題表述。
3. 聚類的設計。
4. 實驗示例。
5. 基於聚類的追蹤問題。
6. 結論。
參考文獻。
6. 基於知識的模糊聚類指導原則。
1. 引言。
2. 知識導向提示的示例及其一般分類。
3. 知識增強聚類的優化環境。
4. 基於知識的指導提示的量化及其優化。
5. 互動過程的組織。
6. 基於接近的聚類（P-FCM）。
7. 網絡探索與P-FCM。
8. 基於知識的提示的語言增強。
9. 結論性評論。
參考文獻。
7. 協作聚類。
1. 引言與理由。
2. 水平與垂直聚類。
3. 水平協作聚類。
3.1 優化細節。
3.2 協作聚類的計算流程。
3.3 聚類的協作現象量化。
4. 實驗研究。
5. 水平聚類的進一步增強。
6. 垂直聚類的算法。
7. 水平與垂直聚類的網格模型。
8. 共識聚類。
9. 結論。
參考文獻。
8. 定向聚類。
1. 引言。
2. 問題表述。
2.1 目標函數。
2.2 信息顆粒之間的邏輯轉換。
3. 算法。
4. 定向聚類的整體發展框架。
5. 數值研究。
6. 結論。
參考文獻。
9. 模糊關係聚類。
1. 引言與問題陳述。
2. 用於關係數據的FCM。
3. 模糊關係模式的分解。
3.1 基於梯度的分解問題解決方案。
3.2 分解問題的神經網絡模型。
4. 比較分析。
5. 結論。
參考文獻。
10. 異質模式的模糊聚類。
1. 引言。
2. 異質數據。
3. 顆粒數據的參數模型。
4. 異質模糊聚類的參數模式。
5. 非參數異質聚類。
5.1 參考框架。
5.2 通過可能性-必要性轉換表示顆粒數據。
5.3 解除引用。
6. 結論。
參考文獻。
11. 顆粒數據的超立方體模型：Tchebyschev FCM。
1. 引言。
2. 問題表述。
3. 聚類算法-詳細考量。
4. 顆粒原型的發展。
5. 信息顆粒的幾何。
6. 顆粒數據描述：一般模型。
7. 結論。
參考文獻。
12. 基因容忍模糊神經網絡。
1. 引言。
2. 閾值與容忍的運算：基於模糊邏輯的概括。
3. 邏輯網絡的拓撲。
4. 基因優化。
5. 示範性數值研究。
6. 結論。
參考文獻。
13. 顆粒原型設計。
1. 引言。
2. 問題表述。
2.1 表達兩個模糊集之間的相似性。
2.2 性能指標（目標函數）。
3. 原型優化。
4. 顆粒原型的發展。
4.1 相似性水平的優化。
4.2 反向相似性問題。
5. 結論。
參考文獻。
14. 顆粒映射。
1. 引言與問題陳述。

類似商品