軌跡數(shù)據(jù)分析方法及應用

定　價：￥88.00

作　者：	楊雨晴
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥88.00)

ISBN：	9787121487538	出版時間：	2024-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　隨著信息、互聯(lián)網(wǎng)、社交媒體、衛(wèi)星定位、基于位置的服務（Location Based Services，LBS）等技術的發(fā)展，軌跡數(shù)據(jù)領域迎來了大數(shù)據(jù)時代。在軌跡大數(shù)據(jù)背景下，軌跡數(shù)據(jù)分析的關注度得到持續(xù)攀升，它能夠借助移動對象的時空特征和移動行為信息發(fā)現(xiàn)新知識和模式，從而為智慧城市計算與服務、交通管理與規(guī)劃、物流管理、智能制造、旅游路徑推薦、自然災害預測與預警、疫情傳播監(jiān)測等諸多領域提供決策支持與服務。本書以軌跡數(shù)據(jù)相關分析及挖掘技術為主要研究對象，針對軌跡大數(shù)據(jù)背景下軌跡數(shù)據(jù)的特征及分析需求，對數(shù)據(jù)噪聲處理、特征提取、相似性度量、參數(shù)依賴及復雜軌跡聚類等問題開展了深入研究。本書可供從事大數(shù)據(jù)、數(shù)據(jù)挖掘、機器學習、軌跡數(shù)據(jù)分析等相關領域的科研及工程人員參考，也可作為高等院校計算機、軟件工程及自動化、信息與通信工程等專業(yè)的本科生和研究生的學習參考書。

作者簡介

　　楊雨晴，畢業(yè)于太原科技大學，獲工學博士學位，現(xiàn)任太原科技大學計算機學院教師，山西省科技創(chuàng)新（重點）團隊主要成員。主要從事大數(shù)據(jù)挖掘及應用、智能優(yōu)化與決策支持等相關研究工作，近年來主持、參與了國家自然科學基金、山西省自然科學基金等多項科研項目，發(fā)表高水平SCI學術論文10余篇，授權發(fā)明專利3項。

圖書目錄

目錄
第1章緒論 001
1.1 軌跡與軌跡數(shù)據(jù)分析概述 001
1.1.1 軌跡數(shù)據(jù)來源 002
1.1.2 軌跡數(shù)據(jù)特征 004
1.1.3 軌跡數(shù)據(jù)分析的關鍵技術 005
1.2 軌跡數(shù)據(jù)挖掘 009
1.2.1 軌跡數(shù)據(jù)挖掘方法分類 009
1.2.2 軌跡數(shù)據(jù)挖掘的應用 017
1.2.3 軌跡數(shù)據(jù)挖掘的挑戰(zhàn)與發(fā)展趨勢 020
第2章基于影響空間的噪聲檢測方法 024
2.1 問題提出 024
2.2 影響空間 025
2.2.1 影響空間概述 025
2.2.2 噪聲特性分析 029
2.3 噪聲檢測算法 034
2.3.1 算法描述 034
2.3.2 算法分析 036
2.4 實驗評價 037
2.4.1 數(shù)據(jù)描述 037
2.4.2 參數(shù)選擇 039
2.4.3 人工數(shù)據(jù)集上的結果分析 045
2.4.4 真實數(shù)據(jù)集上的結果分析 049
2.5 本章小結 051
第3章基于影響空間的噪聲不敏感特征提取框架 052
3.1 問題提出 052
3.2 數(shù)據(jù)特征提取 054
3.2.1 特殊微簇 054
3.2.2 微簇中心 057
3.3 特征提取框架 058
3.3.1 算法描述 058
3.3.2 算法分析 060
3.4 實驗評價 061
3.4.1 數(shù)據(jù)描述 061
3.4.2 參數(shù)選擇 062
3.4.3 比較算法 062
3.4.4 MC的代表性分析 063
3.4.5 人工數(shù)據(jù)集上的準確性比較 065
3.4.6 真實數(shù)據(jù)集上的準確性比較 069
3.4.7 高維數(shù)據(jù)集上的準確性比較 077
3.4.8 框架效率分析 078
3.5 本章小結 084
第4章散度距離及其無參密度聚類方法 085
4.1 問題提出 085
4.1.1 相似性傳遞效應 087
4.1.2 人為因素 089
4.1.3 密度度量 092
4.2 關鍵技術 093
4.2.1 散度距離 093
4.2.2 無參數(shù)處理 096
4.2.3 密度度量 098
4.2.4 自動中心點選擇 099
4.3 密度聚類算法 100
4.3.1 算法流程 100
4.3.2 算法分析 104
4.4 實驗評價 105
4.4.1 數(shù)據(jù)描述 105
4.4.2 參數(shù)選擇 106
4.4.3 人工數(shù)據(jù)集上的結果比較 108
4.4.4 真實數(shù)據(jù)集上的結果比較 114
4.4.5 高維數(shù)據(jù)集上的結果比較 119
4.5 本章小結 122
第5章基于時空密度分析的軌跡聚類算法 123
5.1 問題提出 123
5.2 時空密度分析 125
5.2.1 相關定義 125
5.2.2 時空密度函數(shù) 129
5.3 軌跡聚類算法 131
5.3.1 噪聲容忍因子 131
5.3.2 軌跡聚類算法 132
5.4 實驗評價 134
5.4.1 數(shù)據(jù)描述 134
5.4.2 參數(shù)選擇 134
5.4.3 NMAST函數(shù)的有效性分析 136
5.4.4 TAD算法的有效性分析 143
5.5 本章小結 145
第6章軌跡數(shù)據(jù)分析方法的應用 146
6.1 天體光譜數(shù)據(jù)分析 146
6.1.1 天光背景數(shù)據(jù)分析 148
6.1.2 低信噪比光譜分析 155
6.2 旋轉(zhuǎn)機械故障診斷 166
6.2.1 問題描述 167
6.2.2 轉(zhuǎn)子及軸承系統(tǒng)故障簡介 169
6.2.3 轉(zhuǎn)子及軸承故障診斷原型系統(tǒng) 174
6.2.4 轉(zhuǎn)子及軸承故障診斷結果展示 178
6.2.5 軸承故障診斷結果展示 183
6.3 本章小結 186
參考文獻 187